Bojājuma skene: Mākslīgais intelekts revolucionizē apendicīta diagnozi ar 99% precizitāti

Bojājuma skene: Mākslīgais intelekts revolucionizē apendicīta diagnozi ar 99% precizitāti

Pētījumi piedāvā jaunas zināšanas, lai diagnosticētu akūtu apendicītu, pēkšņu tārpu procesa iekaisumu, kas izraisa tādus simptomus kā sāpes vēderā, vemšana un drudzis. Datortomogrāfija (CT) bieži tiek izmantota diagnozei, taču tas var būt grūti, pateicoties papildinājuma atrašanās vietai un resnās zarnas sarežģītajai anatomijai. Tika izstrādāts jauns rīks ar nosaukumu "Bojājumu kanāls", lai atbalstītu radiologus precīzi šīs slimības noteikšanā.

Bojājuma skene ir progresīvs modelis, kura pamatā ir dziļa neironu tīkls, precīzāk, konvolūcijas neironu tīkls (CNN). Šis modelis analizē CT attēlus, lai identificētu apendicīta pazīmes ar augstu precizitāti. Modeļa izstrādei tika savākti 2400 CT attēli, kas ir stabils pamats tīkla apmācībai. Precīza apendicīta noteikšanā, kas sasniedz modeli uz testa attēliem, ir iespaidīga precizitāte.

Šīs attīstības iespējamā ietekme varētu būt nozīmīga. Tik jaudīga modeļa izmantošana varētu padarīt pielikuma iekaisuma diagnozi precīzāku un ātrāku, kas savukārt varētu izraisīt efektīvāku ārstēšanu. Ja šis rīks attīstās, to, iespējams, varētu izmantot arī citās medicīnas jomās, kas padara to par daudzpusīgu palīdzību diagnostikas attēlā.

Pamatpriekšstati un jēdzieni

• akūts apendicīts : Tārpu procesa (pielikums) ātrs iekaisums ar tādiem simptomiem kā sāpes vēderā un drudzis.
• Datortomogrāfija (CT) : medicīniska attēlveidošanas process, kas nodrošina ķermeņa krusteniskos attēlus, lai diagnosticētu slimības un ievainojumus.
• konvolūcijas neironu tīkls (CNN) : sava veida mākslīgais neironu tīkls, kas ir īpaši labs, analizējot attēla datus.
• Lexcannet : īpaša metode, kuras pamatā ir CNN, kas tika izstrādāta, lai atpazītu tādu slimību pazīmes kā apendicīts uz CT attēliem.
• parametrs : skaitļi, ko modelī izmantoja prognožu veikšanai; Jo vieglāk ir modelis, jo mazāk parametru ir nepieciešami.

saīsinājumi

• ct : datortomogrāfija
• cnn : konvolūcijas neironu tīkls (saliekamais neironu tīkls)

Bojājuma skene: akūta apendicīta diagnozes precizitāte

Pašreizējais pētījums iepazīstina ar bojājuma Cannet modeli, jaunu konvolūcijas neironu tīklu (CNN), īpaši akūta apendicīta noteikšanai ar datoru. Īpaši šis pētniecības darbs uzsver šī modeļa precizitāti un efektivitāti CT attēlu apstrādē, saskaņā ar kuru tas pārvar tādas problēmas kā pielikuma atrašanās vietas anatomiskās variācijas.

Metodika un modeļa struktūra

• Datu ieraksts: Pētījuma pamatā bija plaša datu kopa, kas sastāv no 2400 CT skenēšanas attēliem, kurus Kanuni Sultāna Süleyman apmācības un pētniecības slimnīcas Stambulā, Turcijā, apkopoja vispārējās ķirurģijas nodaļa.
• modeļa arhitektūra: Bojājuma skene ir viegls modelis ar tikai 765 000 parametriem. Tas integrē vairākus divkodolu blokus, no kuriem katrs ietver locīšanu, paplašināšanu, atdalāmus saliekamās slāņus un izlaišanas savienojumus.
• dualcernel bloki: Šie bloki apstrādā ievades attēlus divos ceļos: viens izmanto 3 × 3 filtrus, bet otrs 1 × 1 filtrs izmanto. Šī struktūra palielina identifikācijas efektivitāti ar dažādiem filtru izmēriem.

Veiktspējas un vispārināšanas prasmes

• precizitāte: Bojājuma lielgabala modelis testa datu kopā sasniedza ievērojamu precizitāti 99%. Šis rezultāts pārsniedz noteiktu etalona dziļu mācību modeļu veiktspēju apendicīta noteikšanai.
• vispārināšanas spēja: Bojājuma skenēšanas efektivitāti atbalstīja arī krūts rentgena attēla testi pneimonijas un COVID-19 noteikšanai.

Secinājumi un turpmākās lietojumprogrammas

Pētījums parāda, ka bojājuma kanāls ir pārāks gan par tā specifiskumu, gan efektivitāti akūta apendicīta noteikšanā. Neskatoties uz nelielu parametru skaitu, modelis piedāvā stabilu veiktspēju, kas liecina par tā piemērojamību citās medicīnas jomās, piemēram, elpceļu slimību noteikšanai.

Badāžas kanāla panākumi var kalpot par pamatu turpmākajam pētniecības un attīstības darbam medicīniskā tēla apstrādē, ar potenciālu palielināt precizitāti citu slimību diagnozē.

pētījumu avots: https://pubmed.nlm.nih.gov/39654693