Evaluering af tidlige varslingsmodeller med høj risiko for pneumokoniose

Pneumokoniose, den fremherskende erhvervssygdom i Kina og over hele verden. Røntgen af ​​thorax er den mest tilgængelige og overkommelige radiologiske test til rådighed til fysisk undersøgelse af støvudsatte arbejdere og massescreening for pneumokoniose. Men diagnoseprocessen har nogle ulemper, såsom stærk subjektivitet, ineffektivitet og handicap i bedømmelsen af ​​borderline læsioner osv. Desuden er forsigtighed ved pneumokoniose vigtigere end behandling. Den nuværende proces kan dog ikke tidligt advare de højrisikostøvudsatte arbejdere, før de er diagnosticeret med pneumokoniose. Med egenskaben effektivitet, upersonlighed og kvantificering er kunstig intelligens netop passende til at løse de førnævnte problemer. Indtil nu har der været sjælden forskning om tilpasning af dyb læring til pneumokoniose-grad diagnose og højrisiko tidlig advarsel. I vores tidligere undersøgelser har vi oprettet en thorax røntgendatabase, som indeholder mere end 100.000 digitale pneumokoniose røntgenbilleder. Resultatet af detektionssystemevaluering viste, at nøjagtigheden i identifikationen af ​​pneumokoniose kunne nå 90 % med en AUC(Area Under The Curve) på 0,965 og en følsomhed på 99 %. Flere arbejder skal fortsættes. Derfor sigter vi på at tilpasse dyb læring for at udvikle modeller for intelligent påvisning af pneumokoniose, graddiagnose og højrisiko tidlig advarsel. De kommenterede billeder vil blive brugt til algoritmetræning i konvolutionelle neurale netværk (CNN'er), rettet mod pneumokoniose-screening og graddiagnose. Desuden vil risikoscore beregnet af tæthedsvarmekort blive brugt til tidlig varsling af støvudsatte arbejdere. Derefter vil opfølgning af kohorten blive underforstået for at verificere validiteten af ​​risikoscoren. På denne måde vil de højrisikostøvudsatte arbejdere få tidlig indsats og bedre prognose, hvilket naturligvis kan reducere den medicinske byrde.