Pažeidimo skalūnas: dirbtinis intelektas revoliucionuoja apendicitų diagnozę 99% tikslumu

Veröffentlicht:

Von:

Pažeidimo skalė: lengvas, tvirtas CNN, skirtas atpažinti ūminį apendicitą, kurio tikslumas yra 99%, išbandytas 2400 CT vaizduose. Universalus medicinos srityse. 🚀 #ki #Medizin
(Symbolbild/natur.wiki)

Tyrimai siūlo naujas žinias diagnozuoti ūminį apendicitą, staigų kirminų proceso uždegimą, kuris sukelia tokius simptomus kaip pilvo skausmas, vėmimas ir karščiavimas. Kompiuterinė tomografija (CT) dažnai naudojama diagnozei nustatyti, tačiau tai gali būti sunku dėl priedėlio vietos ir sudėtingos storosios žarnos anatomijos. Buvo sukurtas naujas įrankis, vadinamas „Lesionscannet“, siekiant palaikyti radiologus tiksliai nustatyti šią ligą.

Pažeidimų skalė yra progresyvus modelis, pagrįstas giliu neuronų tinklu, tiksliau - konvoliuciniu nervų tinklu (CNN). Šis modelis analizuoja CT vaizdus, ​​kad būtų galima tiksliai tiksliai nustatyti apendicito požymius. Modelio kūrimui buvo surinkta 2400 CT vaizdų, kurie yra tvirtas pagrindas mokyti tinklą. Įspūdingas 99% tikslumas nustatant apendicitą, kuris pasiekia bandomųjų vaizdų modelį.

Galimas šios vystymosi poveikis gali būti reikšmingas. Naudojant tokį galingą modelį, priedėlio uždegimo diagnozė galėtų būti tiksliau ir greitesnė, o tai savo ruožtu gali būti efektyvesnis gydymas. Jei šis įrankis vystysis, jis taip pat gali būti naudojamas kitose medicinos srityse, todėl tai yra universali pagalba diagnostiniame vaizde.

Pagrindinės terminai ir koncepcijos

  • ūmus apendicitas : greitas kirminų proceso uždegimas (priedas) su tokiais simptomais kaip pilvo skausmas ir karščiavimas.
  • Kompiuterinė tomografija (CT) : medicininio vaizdavimo procesas, kuris suteikia kūno kryžminius vaizdus diagnozuoti ligas ir sužalojimus.
  • konvoliucinis nervų tinklas (CNN) : savotiškas dirbtinis neuroninis tinklas, kuris ypač geras analizuojant vaizdo duomenis.
  • lisioncannet : specifinis metodas, pagrįstas CNN, sukurtu siekiant atpažinti ligų, tokių kaip apendicitai, KT vaizduose.
  • parametras : Skaičiai, naudojami modeliui prognozėms padaryti; Kuo lengvesnis modelis, tuo reikia mažiau parametrų.

Santrumpos

  • ct : kompiuterio tomografija
  • cnn : konvoliucinis nervų tinklas (sulankstomas nervų tinklas)

pažeidimo skalė: tikslumas diagnozuojant ūminį apendicitą

Dabartinis tyrimas pateikia pažeidimo kanapių modelį-naują konvoliucinį nervų tinklą (CNN), ypač norint aptikti kompiuteriu ūmaus apendicito aptikimą. Šis tyrimo darbas ypač pabrėžia šio modelio tikslumą ir efektyvumą apdorojant KT vaizdus, ​​pagal kuriuos jis įveikia tokius iššūkius kaip anatominiai priedo vietos kintamumai.

metodika ir modelio struktūra

  • Duomenų įrašas: Tyrimas buvo pagrįstas plačiu duomenų rinkiniu, kurį sudarė 2400 CT nuskaitymo vaizdų, kuriuos surinko Bendrosios chirurgijos skyrius Kanuni Sultan Süleyman mokymo ir tyrimų ligoninėje Stambule, Turkijoje.
  • modelio architektūra: pažeidimo skalūnas yra lengvas modelis, turintis tik 765 000 parametrų. Jis integruoja kelis dvigubų branduolių blokus, iš kurių kiekvienas apima sulankstomą, išplėtimą, atskiriamus sulankstomus sluoksnius ir praleisti jungtis.
  • „DualCernel“ blokai: Šie blokai apdoroja įvesties vaizdus dviem keliais: vienas naudoja 3 × 3 filtrus, o kitas 1 × 1 filtras naudoja. Ši struktūra maksimaliai padidina identifikavimo efektyvumą pagal skirtingus filtrų dydžius.

atlikimo ir apibendrinimo įgūdžiai

  • Tikslumas: Pažeidimo kanrybės modelis pasiekė nemažą 99% tikslumą bandymo duomenų rinkinyje. Šis rezultatas viršija nusistovėjusių lyginamųjų gilių mokymosi modelių, skirtų apendicitai aptikti, našumą.
  • Gebėjimas apibendrinti: Pažeidimo skeneto efektyvumas taip pat buvo patvirtintas atliekant krūties rentgeno atvaizdo bandymus, skirtus aptikti pneumoniją ir Covid-19.

Išvados ir būsimos programos

Tyrimas rodo, kad pažeidimo kanalas yra pranašesnis tiek dėl jo specifiškumo, tiek jo efektyvumo nustatant ūminį apendicitą. Nepaisant nedidelio parametrų skaičiaus, modelis pasižymi patikimu našumu, kuris rodo, kad jis pritaikomas kitoms medicinos laukams, pavyzdžiui, kvėpavimo takų ligų aptikimui.

„LesionCannet“ sėkmė gali būti būsimų tyrimų ir vystymosi darbų pagrindu medicininio vaizdo apdorojimui, nes gali būti tikslumas diagnozuojant kitas ligas.

Tyrimų šaltinis: https://pubmed.nlm.nih.gov/39654693