Udvikling af et AI-baseret Emergency Imaging Multi-Disease Rapid Joint Screening System (Al-MDS)

Introduktion:

Tidlig og hurtig diagnosticering af ætiologi er ofte en vigtig del af at redde livet for patienter på skadestuen. Chest CT er en vigtig undersøgelsesmetode til nøddiagnose på grund af dens hurtige undersøgelseshastighed og nøjagtige lokalisering. Traditionel medicinsk billeddiagnose er afhængig af, at radiologer rapporterer på en kvalitativ og subjektiv måde. Gennem den tværfaglige kombination af klinisk, billeddiagnostik og kunstig intelligens giver integrationen af ​​multi-omics-data, konstruktionen af ​​store sprogmodeller og konstruktionen af ​​hjælpediagnosestøttesystemet "one check for multiple diseases" nye ideer og midler til hurtig og præcis screening af akutte kritiske sygdomme.

Metode:

Undersøgelsesdesign Efterforskere indsamlede retrospektivt kardiovaskulære, respiratoriske, fordøjelses- og neurologiske CT-billeder, demografiske data, sygehistorie og laboratoriedato for akutmodtagelsespatienter i perioden 1. januar 2018 og 30. december 2024. Udfør regelmæssigt standardiseret opfølgningsarbejde og fuldfør indsamling og databaseetablering af klinisk billeddannende multiomics-data fra patienter på akutmodtagelse. Inklusionskriterierne er:1. voksne akutpatienter med kardiovaskulære, respiratoriske, fordøjelses- og nervesystemsygdomme; 2. Disse patienter havde CT-billeder. Patienter med ufuldstændige kliniske eller radiografiske data blev udelukket fra analysen. Udfør regelmæssigt standardiseret opfølgningsarbejde, og fuldfør indsamling og databaseetablering af klinisk billeddannende multi-omics-data fra patienter på akutmodtagelse.

Baseret på de indsamlede medicinske tekstdata opbygges en kunstig intelligens storskala sprogmodelalgoritmeramme. Efter at strukturannoteringen af ​​CT-thoraxbilleder er udført af læger over det mellemliggende niveau af billeddannelse, trænes Transformers dybe neurale netværk til CT-billedsegmentering og en række opgaver såsom strukturel struktursegmentering, skadedetektering, sygdomsklassificering og automatisk rapport generation er udviklet baseret på Vision Transformers selvopmærksomhedsarkitekturmekanisme. Et multi-sygdomsdiagnose og beslutningstagningssystem baseret på CT-billeder af brystet, klinisk tekst og multimodale undersøgelsesdata blev konstrueret og valideret.

Diskussion

Akutmedicin beskæftiger sig hovedsageligt med uforudsigelige kritiske og pludselige sygdomme. Patienter, der kommer på akutmodtagelsen til medicinsk behandling, har ofte akut opstået, skjult tilstand, hurtig fremgang, mange komplikationer, høj dødelighed og invaliditet. Assisterede diagnosesystemer udviklet ved at kombinere klinisk tekst, billeder og kunstig intelligens kan i høj grad forbedre akutmodtagelseslægernes evne til præcist at diagnosticere sygdomme. Denne undersøgelse udfylder tomrummet i et CT-diagnosesystem med kunstig intelligens til akutte patienter og giver et hurtigt diagnoseskema for multi-system og multi-sygdom. Endelig vil resultaterne blive transformeret til klinisk applikationssoftware og brugt og promoveret i det kliniske arbejde med at forbedre diagnose- og behandlingsniveauet.