可解释的ResNet-long短期记忆模型用于基于多特征融合的肠道声音频率的分类
Wenchao Zhang1, Yu Wang2, Jinzhou Zhu3
1Department of Orthopedics, Jintan Affiliated Hospital of Jiangsu University, China.
The Journal of international medical research
|September 30, 2025
概括
这项研究引入了一种可解释的AI模型来分类肠道声音,改善胃肠道运动性评估. 深度学习方法准确地识别了肠道活动,超过了人类专家.
科学领域:
- 人工智能的人工智能
- 胃肠病学 胃肠病学
- 医学声学 医学声学
背景情况:
- 准确地对肠道声音活动进行分类对于评估胃肠道运动性至关重要.
- 目前用于肠道声音分析的方法可能缺乏客观性和准确性.
研究的目的:
- 开发和验证一个可解释的深度学习模型来分类肠道声音频率.
- 使用人工智能增强消化肠道运动性的客观评估.
主要方法:
- 一项前性多中心研究收集了肠道声音,分为10秒的片段.
- 提取的音频特征 (Chroma,过器银行能量,MFCC) 用于训练ResNet50 V2模型.
- 一个与自动机器学习集成的长期短期记忆网络执行了多特征的融合和分类.
主要成果:
- 长期短期记忆模型实现了高精度 (0.927),MCC (0.885),和科恩的卡帕 (0.930).
- 该模型在肠道声音分类方面超过了自动机器学习和胃肠科医生.
- 在食时间和肠道准备场景的临床验证显示出高灵敏度和特异性.
结论:
- 开发的框架为肠道声音分类提供了一种新,准确和可解释的方法.
- 这种人工智能驱动的方法显示出在胃肠功能评估中临床应用的巨大潜力.
- 可解释的人工智能提高了对自动化医疗诊断工具的透明度和信任.
