使用循环神经网络进行下肢绕道监测和峰值缩速度的价值预测
Xiao Luo1,2, Fattah Muhammad Tahabi1, Dave M Rollins3
1Department of Management Science and Information Systems, Oklahoma State University, Oklahoma, USA.
Studies in health technology and informatics
|August 8, 2025
概括
这项研究使用循环神经网络来利用双重超声检查的峰值缩速度 (PSVs) 预测下肢旁路移植封闭. BiGRU模型提高了预测准确度,表明更多的数据可以提高移植监测.
科学领域:
- 血管外科 血管外科
- 生物医学工程 生物医学工程
- 机器学习 机器学习
背景情况:
- 常规双重超声监测对于监测下肢旁路移植至关重要.
- 目前的方法缺乏系统的方法来分析峰值缩速度 (PSVs) 以预测移植状况.
研究的目的:
- 探索使用循环神经网络 (RNN) 来预测未来的PSV和识别绕道移植阻塞.
- 根据历史PSV数据开发和比较RNN模型来预测狭窄和闭塞.
主要方法:
- 开发了序列对序列RNN模型,包括BiGRU和BiLSTM,以预测PSV.
- 使用5倍交叉验证来评估基于一到三个先前的PSV集的模型性能.
- 评估了增加双重超声检查数据对预测准确性的影响.
主要成果:
- 在使用两个或两个以上的PSV集时,BiGRU模型表现出比BiLSTM更好的性能.
- 预测准确度有所提高,并且随着包含更多历史PSV数据,错误率下降.
- 该研究强调了RNN在预测移植阻塞和狭窄方面的潜力.
结论:
- 经常性神经网络显示出增强下肢旁路移植监测的潜力.
- 将PSV与临床数据相结合,可以进一步提高对移植健康的预测能力.
- 这种方法提供了一种系统的方法来分析双重超声数据,以检测移植失败的早期迹象.


