Leesiokannetti: Keinotekoinen älykkyys mullistaa appendiciceis -diagnoosin 99%: n tarkkuudella

Veröffentlicht:

Von:

Lesiokannetti: Kevyt, vankka CNN akuutin appendicicitis -tunnistamiseksi 99%: n tarkkuudella, testattu 2400 CT -kuvilla. Monipuolinen lääketieteellisillä levitysalueilla. 🚀 #ki #medizin
(Symbolbild/natur.wiki)

Tutkimus tarjoaa uutta tietoa akuutin appendicitis -diagnosoimiseksi, matoprosessin äkilliselle tulehdukselle, mikä aiheuttaa oireita, kuten vatsakipu, oksentelu ja kuume. Tietokonetomografiaa (CT) käytetään usein diagnoosiin, mutta tämä voi olla vaikeaa liitteen sijainnin ja paksusuolen monimutkaisen anatomian vuoksi. Uusi työkalu nimeltä "Lesionscannet" kehitettiin radiologien tukemiseksi tämän taudin tarkkaan havaitsemiseen.

vauriokannetti on progressiivinen malli, joka perustuu syvään hermosoluverkkoon, tarkemmin sanottuna konvoluutiohermostoverkkoon (CNN). Tämä malli analysoi CT -kuvia tunnistaakseen appendiciceis -merkkejä suurella tarkkuudella. Mallin kehittämiselle kerättiin 2400 CT -kuvaa, jotka ovat vankka perusta verkon kouluttamiselle. 99%: n tarkkuus testikuvien mallin havaitsemisessa on vaikuttava.

Tämän kehityksen mahdolliset vaikutukset voivat olla merkittäviä. Tällaisen tehokkaan mallin käyttö voisi tehdä liitetulehduksen diagnoosista tarkemman ja nopeamman, mikä puolestaan ​​voi johtaa tehokkaampaan hoitoon. Jos tämä työkalu kehittyy, sitä voidaan mahdollisesti käyttää myös muilla lääketieteellisillä alueilla, mikä tekee siitä monipuolisen avun diagnoosikuvassa.

Perustermit ja käsitteet

  • akuutti appendiciceis : Matoprosessin nopea tulehdus (liite) oireilla, kuten vatsakipu ja kuume.
  • Computer Tomography (CT) : Lääketieteellinen kuvantamisprosessi, joka tarjoaa kehon ristikkäiset kuvat sairauksien ja vammojen diagnosoimiseksi.
  • konvoluutiohermostoverkko (CNN) : eräänlainen keinotekoinen hermoverkko, joka on erityisen hyvä analysoitaessa kuvatietoja.
  • Lesiocant : erityinen CNN: ään perustuva menetelmä, joka kehitettiin tunnistamaan CT -kuvien kaltaisten sairauksien merkkejä.
  • parametri : mallissa käytetyt numerot ennusteiden tekemiseen; Mitä helpompaa mallia, sitä vähemmän parametreja tarvitaan.

lyhenteet

  • ct : tietokonetomografia
  • cnn : konvoluutiohermostoverkko (taitettava hermosto)
;

Nykyisessä tutkimuksessa esitetään leesion kanettimalli, uusi konvoluutiohermostoverkko (CNN), erityisesti akuutin appendicitisin tietokoneavusteisen havaitsemiseksi. Erityisesti tämä tutkimus korostaa tämän mallin tarkkuutta ja tehokkuutta CT -kuvien käsittelyssä, jolloin se ylittää haasteet, kuten liitteen sijainnin anatomiset variaatiot.

metodologia ja mallirakenne

  • Tietotietue: Tutkimus perustui laajaan tietojoukkoon, joka koostui 2400 CT -skannauskuvista, jotka keräsivät Kanuni Sultan Süleymanin koulutus- ja tutkimussairaalan Istanbulissa, Turkissa sijaitsevassa Kanuni -sulttaani Süleyman -koulutuksessa.
  • malli -arkkitehtuuri: vaurion skannetti on kevyt malli, jolla on vain 765 000 parametria. Se integroi useita kaksoisydinlohkoja, joista jokainen sisältää taittamisen, laajennuksen, erotettavissa olevat taittokerrokset ja ohitusyhteydet.
  • dualCernel -lohkot: Nämä lohkot prosessoivat syöttökuvia kahdella polulla: yksi käyttää 3 × 3 -suodattimia, kun taas toinen 1 × 1 -suodatin käyttää. Tämä rakenne maksimoi tunnistustehokkuuden eri suodatinkokojen avulla.

Suorituskyky- ja yleistymistaidot

  • tarkkuus: vaurionallemalli saavutti huomattavan tarkkuuden 99% testitietojoukossa. Tämä tulos ylittää vakiintuneiden vertailuarvojen syvän oppimismallien suorituskyvyn appendicitis-havaitsemiseksi.
  • Yleistymiskyky: Lesionkannetin tehokkuutta tuettiin myös rintojen röntgenkuvan testeillä keuhkokuumeen ja COVID-19: n havaitsemiseksi.

Päätelmät ja tulevat sovellukset

Tutkimus osoittaa, että vaurionakki on parempi sekä sen spesifisyydessä että tehokkuudessa akuutin appendicitis -havaitsemisessa. Pienestä parametrien lukumäärästä huolimatta malli tarjoaa vankan suorituskyvyn, mikä viittaa sen sovellettavuuteen muille lääketieteellisille aloille, kuten hengityselinsairauksien havaitsemiseksi.

Lesioninkumppanin menestys voi toimia perustana tulevaisuuden tutkimus- ja kehitystyölle lääketieteellisessä kuvankäsittelyssä, jolloin voidaan lisätä tarkkuutta muiden sairauksien diagnoosissa.

Tutkimuksen lähde: https://pubmed.nlm.nih.gov/39654693