开发深度学习模型,用于实时胸部超声波图像解释
Austin J Ruiz1, Sofia I Hernández Torres1, Eric J Snider1
1Organ Support and Automation Technologies Group, U.S. Army Institute of Surgical Research, JBSA Fort Sam Houston, San Antonio, TX 78234, USA.
Journal of imaging
|July 25, 2025
概括
人工智能 (AI) 深度学习模型可以从护理点超声波 (POCUS) 图像中准确地分类胸部损伤. 这项技术旨在减少在紧急情况下对POCUS诊断所需的技能.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 紧急医疗 紧急医疗
背景情况:
- 胸部受伤是可预防的战斗死亡的主要原因,通常是由于出血.
- 护理点超声波 (POCUS) 是检测胸部损伤的宝贵工具,但需要专家的解释.
- 在严格的环境中缺乏熟练的放射科医生限制了POCUS的有效性.
研究的目的:
- 开发深度学习 (DL) AI模型,从POCUS图像中对胸部损伤 (肺胸/血胸) 进行分类.
- 为了降低战场上POCUS诊断的技能门.
- 改进实时检测和对胸部损伤的分类.
主要方法:
- 使用来自猪受试者的运动模式超声数据开发了三类DL分类AI模型.
- 采用集群分析来定义图像属性 (亮度,对比度,曲率).
- 调整了一个MobileNetV3 DL模型架构,并评估实时捕获图像的性能.
主要成果:
- 在过数据上训练的模型实现了89-96%的实时准确性,超过没有过的模型 (78-95%).
- 最好的DL模型在实时推断中达到85%的盲目精度,超过YOLOv8模型17%.
- 人工智能模型在胸部损伤确定方面表现出高的实时性能.
结论:
- 人工智能模型可以有效地开发用于使用POCUS的实时胸部损伤检测.
- 这项技术有可能解决紧急伤亡护理方面的挑战.
- 人工智能可以在关键情况下显著降低POCUS口译的技能门.
