使用视频眼镜和人工智能用于临床分拣的自动化头诊断:初步结果
Yi-Jing Lai1, Ching-Fu Wang2, Chun-Chen Yang3
1Neurobit Technologies Co., Ltd., 2F., No. 320, Sec. 4, Zhongxiao E. Rd., Da'an Dist., Taipei, 106, Taiwan.
概括
使用视频眼镜 (VOG) 的机器学习模型有效地区分危险的和良性. 这种方法显示出高精度和在不同环境中广泛临床应用的潜力.
科学领域:
- 静脉系统疾病 静脉系统疾病
- 机器学习在医学中的应用
- 诊断的准确性 诊断的准确性
背景情况:
- 在临床实践中,区分危险的和良性是一个重要的诊断挑战.
- 准确的诊断对于及时和适当的患者管理至关重要.
研究的目的:
- 开发和评估一种机器学习 (ML) 模型,以区分危险的和良性.
- 评估模型在多个机构的门诊环境中的表现,使用不同的协议.
主要方法:
- 来自两个医院的综合视频眼镜 (VOG) 和视频头部脉冲测试数据.
- 利用随机森林 (RF) - 适应性提升 (AdaBoost) 模型进行数据预处理后的分类.
- 采用了夏普利添加剂的解释,用于特征重要性分析.
主要成果:
- 该RF-AdaBoost模型在区分的类型方面实现了97%的准确性.
- 在识别危险的头时,已表现出高灵敏度 (92%) 和特异性 (97%).
- 实现了0.95的曲线下面积 (AUC),表明强大的歧视力.
结论:
- 一个基于VOG的机器学习模型在区分危险的和良性的方面显示出高准确性.
- 该模型的性能表明,在各种临床环境和设备中具有强大的应用潜力.
- 这种ML方法为改善的诊断提供了一个有希望的工具.


