一种基于深度学习的方法,以提高长期高分辨率测量测量检查的准确性和可行性
Alexander Geiger1, Lars Wagner2, Daniel Rueckert3,4
1Research Group MITI, TUM University Hospital, School of Medicine and Health, Technical University of Munich, Munich, Germany. alexander.geiger@tum.de.
Communications medicine
|December 2, 2025
概括
一种新的深度学习方法自动化了长期高分辨率计量 (LTHRM) 分析,准确地检测了吞事件和运动障碍. 这种人工智能方法显著减少了手动审查时间,提高了食道运动障碍的诊断效率.
科学领域:
- 胃肠病学 胃肠病学
- 医学诊断 医学诊断 医学诊断
- 人工智能在医学中的应用
背景情况:
- 高分辨率人测 (HRM) 是食道运动障碍的标准.
- 短期HRM错过了间歇性异常;长期HRM (LTHRM) 捕获了更多的数据,但数据密集型.
- 手动LTHRM分析耗时,易出错,并限制了临床使用.
研究的目的:
- 为自动化LTHRM数据分析开发深度学习方法.
- 准确检测吞事件和非吞性运动障碍.
- 为了集群吞事件,以获得结构化的概述和减少分析负担.
主要方法:
- 为自动LTHRM分析开发了一个深度学习管道.
- 该方法检测了吞和二次运动障碍.
- 子被分为类型,管道在25个LTHRM上得到验证,有超过23000个专家标记的事件.
主要成果:
- 该方法在LTHRM序列中检测到超过94%的相关事件.
- 精确的聚类将事件分为不同的吞类别.
- 一项与医学专家的用户研究证实了该方法的有效性和积极的临床影响.
结论:
- 对LTHRM的深度学习分析是可靠和高效的.
- 这种人工智能驱动的方法提高了临床实践中LTHRM评估的可行性.
- 自动化的LTHRM分析提高了食道运动障碍的诊断准确度.
