在一次性透析器中基于深度学习的残留血栓量化,使用床边手机捕捉的图像

科学领域:

• 生物医学工程 生物医学工程
• 医疗保健中的人工智能
• 医学成像分析分析 医学成像分析

背景情况:

• 血栓形成和透析器纤维阻塞是血液透析中关键问题,对于末期病 (ESKD) 患者.
• 目前用于评估透析器血栓的方法通常是手动和主观的.
• 开发自动化,客观的凝块量化方法对于改善患者的治疗结果和透析效率至关重要.

研究的目的:

• 开发和验证一种机器学习模型,用于在透析器图像中量化残留血栓.
• 利用床边智能手机摄像头进行图像采集,提高可访问性和实用性.
• 为了提高血液透析电路中血块检测的准确性和稳定性.

主要方法:

• 使用手机收集的透析器图像和应用的预处理技术,包括消除噪音和图像分割.
• 采用数据增强来增强模型的稳定性,并从透析器两端创建复合图像.
• 使用预训练的ConvNeXt架构开发了一种二进制分类模型,并将可解释AI (LIME) 纳入临床相关性评估中.

主要成果:

• 使用预训练重量的ConvNeXt模型实现了0.7572的准确性,超过了未预训练的模型 (0.6971).
• 综合框架显示了最高的精度 (0.7672) 与提高的稳定性,以减少标准偏差来表示.
• 人工智能模型的准确性在手动凝块水平分类中超过了科护士 (0.6271和0.6005) 的准确性.

结论:

• 开发的基于ConvNeXt的方法准确地检测透析器中的残留血栓,使用来自两端的图像.
• 可解释的人工智能证实了该模型的重点是临床相关领域,确保可靠的预测.
• 这种高效和强大的AI模型可以帮助临床决策,减少电路停机时间,并优化血液透析患者的贫血管理.