Vývoj nouzového zobrazovacího systému pro rychlé vyšetření kloubů založeného na umělé inteligenci (Al-MDS)

Úvod:

Včasná a rychlá diagnostika etiologie je často důležitou součástí záchrany života pacientů na urgentním příjmu. CT hrudníku je důležitou vyšetřovací metodou pro urgentní diagnostiku pro svou rychlou rychlost vyšetření a přesnou lokalizaci. Tradiční lékařská zobrazovací diagnostika spoléhá na to, že radiologové hlásí kvalitativní a subjektivní zprávy. Prostřednictvím interdisciplinární kombinace klinické, zobrazovací a umělé inteligence, integrace multi-omických dat, konstrukce rozsáhlých jazykových modelů a konstrukce pomocného diagnostického podpůrného systému „jedna kontrola pro více nemocí“ poskytují nové nápady a prostředky pro rychlý a přesný screening kritických nemocí.

Metoda:

Design studie Vyšetřovatelé retrospektivně shromáždili kardiovaskulární, respirační, zažívací a neurologické CT snímky, demografická data, anamnézu a laboratorní datum pacientů na pohotovosti v období od 1. ledna 2018 do 30. prosince 2024. Pravidelně provádějte standardizovanou následnou práci a dokončete shromažďování a vytváření databáze klinicko-zobrazovacích multiomických dat pacientů navštěvujících pohotovostní oddělení. Kritéria zařazení jsou:1. dospělí urgentní pacienti s kardiovaskulárními, respiračními, zažívacími a nervovými chorobami; 2. Tito pacienti měli CT snímky. Pacienti s neúplnými klinickými nebo radiografickými údaji byli z analýzy vyloučeni. Pravidelně provádět standardizovanou následnou práci a dokončit shromažďování a vytváření databáze klinicko-zobrazovacích multiomických dat pacientů navštěvujících pohotovostní oddělení.

Na základě shromážděných lékařských textových dat je sestaven algoritmus rozsáhlého jazykového modelu umělé inteligence. Poté, co lékaři provedou anotaci struktury CT snímků hrudníku nad střední úrovní zobrazení, je hluboká neuronová síť Transformer trénována pro segmentaci CT snímků a řada úkolů, jako je segmentace strukturní struktury, detekce poškození, klasifikace onemocnění a automatické hlášení generace jsou vyvinuty na základě mechanismu samopozorné architektury Vision Transformer. Byl zkonstruován a validován systém diagnostiky a rozhodování o léčbě více onemocnění založený na CT snímcích hrudníku, klinickém textu a vyšetřovacích multimodálních datech.

Diskuse

Urgentní medicína se zabývá především nepředvídatelnými kritickými a náhlými onemocněními. Pacienti, kteří přicházejí na pohotovost k lékařskému ošetření, mají často akutní začátek, skrytý stav, rychlý průběh, mnoho komplikací, vysokou mortalitu a invaliditu. Systémy asistované diagnostiky vyvinuté kombinací klinického textu, obrázků a umělé inteligence mohou výrazně zlepšit schopnost lékařů na pohotovosti přesně diagnostikovat onemocnění. Tato studie zaplňuje prázdné místo v diagnostickém systému s umělou inteligencí CT pro pacienty v naléhavých případech a poskytuje schéma rychlé diagnostiky pro vícesystémové a vícečetné onemocnění. Nakonec budou výsledky transformovány do klinického aplikačního softwaru a použity a propagovány v klinické práci s cílem zlepšit úroveň diagnózy a léčby.