Multimodal billeddiagnose og beslutningshjælpesystem for hepatisk echinokokkose baseret på billedomics og synsmakromodel

Hepatisk echinokokkose (hepatisk echinokokkose) er en vigtig zoonotisk sygdom, der i vid udstrækning findes i landbrugs- og pastorale områder i det nordvestlige Kina. Sygdommen kan være parasitisk i enhver del af den menneskelige krop og kan påvirke flere organer. I alvorlige tilfælde vil patienter miste arbejdsevnen. På nuværende tidspunkt står sygdommen over for udfordringer i diagnostisk nøjagtighed, specifik type identifikation, præoperativ aktivitetsvurdering, postoperativ recidiv forudsigelse og beslutningsevaluering af T-rørindrykning. Dette problem er især signifikant i områder med høj forekomst med ujævn fordeling af medicinske ressourcer og mangel på fremragende billeddannende læger og klinikere. Vores tidligere undersøgelser har vist, at brugen af ​​visuelle store modeller og billeddiagnostiske omics-algoritmer effektivt kan segmentere echinococcus-læsioner i leveren, udtrække nøglefunktioner og give klinikere nøjagtige og pålidelige diagnose- og behandlingsanbefalinger. Vi mener, at målet om effektiv identifikation, diagnose, kirurgisk beslutningsstøtte og postoperativ præcis forudsigelse af lever, på grundlag af transformationen af ​​forskellige medicinske billedtilstande (såsom MR, CT og ultralyd) baseret på et bredere multicenter stort datasæt. echinokokkose kan opnås. Vi vil bruge kunstig intelligens teknologiløsninger såsom modstandsgenereringsnetværk, vision large model, image omics og beslutningsniveaufusion, under hensyntagen til diagnose og behandlingseffektivitet, diagnose og behandlingsautomatisering og fortolkning af diagnoseresultater, for at opbygge en omfattende præcis diagnose og prognose system til hepatisk echinokokkose