人工智能对囊泡测量痕迹的阅读提供了与人类诊断的良好相关性

科学领域:

• 泌尿器科 泌尿器科 泌尿器科 泌尿器科
• 医疗信息学 医疗信息学
• 人工智能的人工智能

背景情况:

• 尿动力学研究对于诊断下尿路功能障碍至关重要,但往往是主观的和时间密集的.
• 人工智能 (AI),包括机器学习 (ML) 和深度学习 (DL),为自动化和标准化这些研究的解释提供了潜力.
• 减少观察者之间的变化和提高效率是尿动力学分析的关键目标.

研究的目的:

• 评估人工智能驱动的分类与专家诊断在囊泡测量 (CMG) 中的状体过活 (DO) 的准确性.
• 评估AI处理文物和量化尿动力学参数的能力.
• 为了比较深度学习 (DL) 和机器学习 (ML) 对CMG解释的方法.

主要方法:

• 一项追溯诊断准确性研究分析了来自成人患者的517个囊泡测量 (CMG) 痕迹.
• 评估了两种人工智能方法:基于图像的深度学习 (CNN-VGG16) 和基于波段的机器学习 (Daubechies变换).
• 隔离森林算法被用于文物检测和管理,与信号处理技术集成.

主要成果:

• 基于波纹的ML方法在检测dtrusor过度活动 (DO) 中获得了84.2%的准确性,具有82.6%的特异性和86.3%的灵敏性.
• 深度学习 (DL) 模型达到75%的准确性,但没有提供定量指标.
• 这两种人工智能方法在每项研究不到20秒的时间内生成分类,显示出显著的效率提升.

结论:

• 人工智能,特别是基于波纹的ML,可以准确有效地解释囊泡测量 (CMG) 数据,用于诊断虫过度活动 (DO).
• 将人工智能与专家监督相结合,可以实现更快,更可复制的泌尿动力学报告.
• 这种方法有可能改善临床工作流程,同时保持问责制和通用性.