卷积神经网络的适应实时腹部超声波解释
Austin J Ruiz1, Sofía I Hernández Torres1, Eric J Snider1,2
1Organ Support and Automation Technologies Group, U.S. Army Institute of Surgical Research, JBSA Fort Sam Houston, San Antonio, TX, United States.
Frontiers in artificial intelligence
|December 25, 2025
概括
先进的AI培训显著提高了诊断点超声波 (POCUS) 的准确性,用于检测创伤患者的内部出血. 这种人工智能驱动的方法在关键情况下增强了诊断能力.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 紧急医疗 紧急医疗
背景情况:
- 护理点超声波 (POCUS) 对于快速创伤评估至关重要,特别是在资源有限的环境中.
- POCUS的一个主要局限性是准确的图像解释所需的专业知识.
- 人工智能 (AI) 具有提高医学成像诊断准确性的潜力.
研究的目的:
- 开发和评估复杂的AI培训方法.
- 为了提高人工智能模型的实时诊断准确度,用于使用POCUS检测出血.
- 为了提高AI的性能,识别盆腔和右上象限腹部区域的自由液体.
主要方法:
- 利用了超过6万个猪超声波图像的回顾性数据集.
- 训练有素的二进制分类模型使用框架聚合技术和现有模型架构.
- 专注于多通道输入处理,用于检测特定腹部区域的自由液体.
主要成果:
- 在骨盆和右上象限扫描部位实现了超过0.90的诊断准确性.
- 与之前的模型相比,显示出明显的改进,这些模型的精度为0.59和0.70.
- 验证了新型人工智能培训技术在增强POCUS诊断方面的有效性.
结论:
- 开发的AI模型显示出有希望的结果,改善了创伤中的POCUS诊断准确性.
- 建议使用临床数据进行进一步的优化,以将这些发现转化为人类患者.
- 基于人工智能的POCUS诊断可以减少认知负载,并支持对伤亡者的快速分拣决策.
