相关实验视频
Updated: Sep 17, 2025
10:02
State of the Art Cranial Ultrasound Imaging in Neonates
Published on: February 2, 2015
24.7K
新型人工智能驱动的婴儿脑膜炎查从高分辨率超声波成像
Hassan Ahmed Sial1, Francesc Carandell2, Sara Ajanovic3
1Barcelona Institute for Global Health (ISGlobal), Barcelona, Spain; Roche Informatics Madrid, Madrid, Spain.
Ultrasound in medicine & biology
|June 29, 2025
概括
一个新型的人工智能工具准确地使用超声波非侵入性查婴儿脑膜炎,潜在地减少了腰部穿刺 (LP) 的需要,并改善了新生儿护理.
科学领域:
- 新生儿医学 新生儿医学
- 医疗保健中的人工智能
- 医学成像分析 医学成像分析
背景情况:
- 婴儿脑膜炎是一种需要快速诊断的危急状况,通常是通过侵入性腰部穿刺 (LP) 进行脑脊液 (CSF) 分析.
- 目前用于婴儿脑膜炎的诊断方法具有侵入性,具有风险,并且在资源较少的环境中可能不可靠或无法使用.
- 对于婴儿脑膜炎的准确,非侵入性诊断工具有着显著的未满足的需求.
研究的目的:
- 开发和评估一个多阶段的深度学习框架,用于婴儿脑膜炎的非侵入性查.
- 评估人工智能驱动的超声波工具的准确性和可解释性,用于检测婴儿脑膜炎.
- 探索AI的潜力,以指导怀疑婴儿脑膜炎病例的腰部穿孔的必要性.
主要方法:
- 在16名婴儿 (6例脑膜炎病例,10例对照) 上使用Neosonics超声波技术开发了一个三阶段的深度学习框架.
- 使用血管/非血管模型进行图像质量控制,然后使用深度学习模型根据白细胞计数值进行分类.
- 可解释AI (XAI) 方法,包括Grad-CAM和统计图像分析,被整合到模型的可解释性中.
主要成果:
- 人工智能框架实现了94%的整体患者级准确性,在识别脑膜炎病例时具有100%的灵敏度和90%的特异性.
- 图像级检测精度为92%,精度为93%,质量控制精度达到96%.
- 通过可视化模型决策和识别与细胞存在相关的图像纹理变化,XAI方法提高了诊断解释性.
结论:
- 一个多阶段的深度学习模型在非侵入性查婴儿脑膜炎方面显示出有效性,可能引导需要腰部穿刺.
- 该研究强调了人工智能在新生儿诊断查中的变革潜力.
- 这种由人工智能驱动的方法为改善新生儿医疗保健的诊断准确性和可访问性提供了一个有希望的途径.
