Machine Learning-assisteret analyse af mikrocirkulationsmønstre og parametre

De sublinguale mikrocirkulationsvideoer er uddraget fra de 11 kliniske forsøg, der udføres på National Taiwan University Hospital.

I den første fase er mikrocirkulationsvideoerne og de relaterede oplysninger inkluderet på en afidentificeret måde. Hver mikrocirkulationsvideo i databasen vil have en unik kode. De videorelaterede data vil omfatte patientens højde, vægt, blodtryk, hjerteslag, helbredsstatus, større sygdomme, laboratorieundersøgelsesværdier, beskrivelse af videokvalitet, automatiseret vaskulær analyse (AVA) 3 softwareanalyseresultater inklusive total kardensitet (TVD), densitet af perfunderet kar (PVD), andel af perfunderede kar (PPV), mikrovaskulært flowindeks (MFI) og heterogenitetsindeks (HI). Længden af ​​hver mikrocyklusvideo er 4-6 sekunder, og der er 25 billeder i sekundet. Tag et billede som et repræsentativt billede, hver video kan svare til 4 billeder, og hvert mikrocirkulationsbillede vil også blive markeret med dets billedkvalitet. Maskinlæringsmodellen vil blive trænet til at skelne mellem kvaliteten af ​​videoer og billeder. Kun videoer og billeder af god kvalitet vil blive brugt til yderligere analyse.

I anden fase vil 80 % af mikrocirkulationsvideoerne og -billederne blive brugt til træning og validering for at finde den bedste model, og derefter vil de resterende 20 % af mikrocirkulationsvideoerne og -billederne blive brugt til at teste modellens ydeevne. Det første træningsformål er automatisk at skelne størrelsen af ​​blodkar, beregne TVD og tegne et histogram over antallet af mikrokar med forskellige diametre. Det andet træningsformål er at måle blodgennemstrømningshastigheden i hvert lille kar og beregne PVD-, MFI- og HI-værdier.