Durch maschinelles Lernen unterstützte Analyse von Mikrozirkulationsmustern und -parametern

Die Videos zur sublingualen Mikrozirkulation stammen aus 11 klinischen Studien, die im National Taiwan University Hospital durchgeführt werden.

Im ersten Schritt werden die Mikrozirkulationsvideos und die damit verbundenen Informationen anonymisiert eingebunden. Jedes Mikrozirkulationsvideo in der Datenbank verfügt über einen eindeutigen Code. Zu den videobezogenen Daten gehören Größe, Gewicht, Blutdruck, Herzschlag, Gesundheitszustand, schwere Krankheiten, Laboruntersuchungswerte des Patienten, Beschreibung der Videoqualität, Ergebnisse der automatisierten Gefäßanalyse (AVA) 3, Softwareanalyseergebnisse einschließlich Gesamtgefäßdichte (TVD), perfundierte Gefäßdichte (PVD), Anteil perfundierter Gefäße (PPV), mikrovaskulärer Flussindex (MFI) und Heterogenitätsindex (HI). Die Länge jedes Mikrozyklusvideos beträgt 4–6 Sekunden und es gibt 25 Bilder pro Sekunde. Nehmen Sie ein Bild als repräsentatives Bild auf, jedes Video kann 4 Bildern entsprechen und jedes Mikrozirkulationsbild wird auch mit seiner Bildqualität gekennzeichnet. Das Modell des maschinellen Lernens wird trainiert, um die Qualität von Videos und Bildern zu unterscheiden. Für die weitere Analyse werden nur qualitativ hochwertige Videos und Bilder verwendet.

In der zweiten Phase werden 80 % der Mikrozirkulationsvideos und -bilder für das Training und die Validierung verwendet, um das beste Modell zu finden, und dann werden die restlichen 20 % der Mikrozirkulationsvideos und -bilder zum Testen der Modellleistung verwendet. Der erste Trainingszweck besteht darin, die Größe von Blutgefäßen automatisch zu unterscheiden, den TVD zu berechnen und ein Histogramm der Anzahl von Mikrogefäßen mit unterschiedlichen Durchmessern zu zeichnen. Der zweite Trainingszweck besteht darin, die Blutflussgeschwindigkeit in jedem kleinen Gefäß zu messen und PVD-, MFI- und HI-Werte zu berechnen.