一个机器学习系统来自动化人体计算机断层扫描协议

科学领域:

• 放射学和医学成像学 医学成像学
• 医疗保健中的人工智能
• 临床决策支持系统 临床决策支持系统

背景情况:

• 放射学方案的选择对于患者的健康和医疗保健成本至关重要.
• 对于放射科医生来说,当前的协议选择往往是低效和耗时的.
• 不理想的协议选择可能导致治疗延迟和医疗费用增加.

研究的目的:

• 开发和评估一个机器学习 (ML) 系统,用于准确的放射学协议预测.
• 通过自动化协议选择,提高放射学工作流程的效率.
• 利用电子医疗记录 (EMR) 数据来预测最佳的成像协议.

主要方法:

• 使用三种基于决策树 (DT) 的技术开发了一个集体ML系统.
• 在15种最常见的身体计算机断层扫描 (CT) 腹部协议上训练模型.
• 该系统旨在为放射科医生审查提供前三大最可能的协议预测.

主要成果:

• 整体ML分类器在5倍交叉验证中获得了大约83%的F1得分.
• 该系统在前三项预测中表现出很高的表现,F1得分为95.5%.
• 整体模型的表现优于单个基于DT的模型,其中平均F1得分约为80%,个体预测F1得分从87.6%到92.9%.

结论:

• 机器学习技术可以从EMR数据准确地预测放射学协议.
• 开发的ML系统可以作为临床决策支持工具.
• 这种方法有可能显著提高放射科医生的效率并优化患者护理.