Entwicklung eines KI-basierten Notfall-Bildgebungssystems für das schnelle gemeinsame Screening mehrerer Krankheiten (Al-MDS)

Einführung:

Eine frühzeitige und schnelle Diagnose der Ätiologie ist oft ein wichtiger Teil der Rettung des Lebens von Patienten in der Notaufnahme. Die Thorax-CT ist aufgrund ihrer schnellen Untersuchungsgeschwindigkeit und genauen Lokalisierung eine wichtige Untersuchungsmethode für die Notfalldiagnostik. Bei der herkömmlichen bildgebenden Diagnostik in der Medizin sind Radiologen auf eine qualitative und subjektive Berichterstattung angewiesen. Durch die interdisziplinäre Kombination von klinischer, bildgebender und künstlicher Intelligenz, der Integration von Multi-Omics-Daten, der Konstruktion groß angelegter Sprachmodelle und der Konstruktion des Hilfsdiagnoseunterstützungssystems „One Check for Multiple Diseases“ werden neue Ideen und Erkenntnisse gewonnen Mittel für das schnelle und genaue Screening kritischer Notfallerkrankungen.

Methode:

Studiendesign Die Forscher sammelten im Zeitraum vom 1. Januar 2018 bis zum 30. Dezember 2024 retrospektiv kardiovaskuläre, respiratorische, verdauungsfördernde und neurologische CT-Bilder, demografische Daten, Krankengeschichte und Labordaten von Patienten in der Notaufnahme. Führen Sie regelmäßig standardisierte Nachuntersuchungen durch und schließen Sie die Sammlung und Datenbankeinrichtung klinischer Bildgebungs-Multi-Omics-Daten von Patienten ab, die die Notaufnahme besuchen. Die Einschlusskriterien sind:1. erwachsene Notfallpatienten mit Herz-Kreislauf-, Atemwegs-, Verdauungs- und Nervensystemerkrankungen; 2. Diese Patienten hatten CT-Bilder. Patienten mit unvollständigen klinischen oder radiologischen Daten wurden von der Analyse ausgeschlossen. Führen Sie regelmäßig standardisierte Nachuntersuchungen durch und schließen Sie die Sammlung und Datenbankeinrichtung von Multi-Omics-Daten der klinischen Bildgebung von Patienten ab, die die Notaufnahme aufsuchen.

Basierend auf den gesammelten medizinischen Textdaten wird ein Algorithmus-Framework für groß angelegte Sprachmodelle mit künstlicher Intelligenz erstellt. Nachdem die Strukturanmerkung von Brust-CT-Bildern von Ärzten über der mittleren Bildgebungsebene durchgeführt wurde, wird das tiefe neuronale Netzwerk Transformer für die CT-Bildsegmentierung und eine Reihe von Aufgaben wie Strukturstruktursegmentierung, Schadenserkennung, Krankheitsklassifizierung und automatische Berichterstattung trainiert Generation werden basierend auf dem Mechanismus der Vision Transformer-Selbstaufmerksamkeitsarchitektur entwickelt. Es wurde ein Diagnose- und Behandlungsentscheidungssystem für mehrere Krankheiten erstellt und validiert, das auf Thorax-CT-Bildern, klinischem Text und multimodalen Untersuchungsdaten basiert.

Diskussion

Die Notfallmedizin befasst sich hauptsächlich mit unvorhersehbaren kritischen und plötzlichen Erkrankungen. Patienten, die zur medizinischen Behandlung in die Notaufnahme kommen, haben oft einen akuten Krankheitsverlauf, einen versteckten Zustand, schnelle Fortschritte, viele Komplikationen sowie eine hohe Sterblichkeits- und Invaliditätsrate. Assistierte Diagnosesysteme, die durch die Kombination von klinischem Text, Bildern und künstlicher Intelligenz entwickelt werden, können die Fähigkeit von Notärzten, Krankheiten genau zu diagnostizieren, erheblich verbessern. Diese Studie füllt die Lücke des CT-Diagnosesystems mit künstlicher Intelligenz für Notfallpatienten und bietet ein schnelles Diagnoseschema für Multisystem- und Multikrankheiten. Abschließend werden die Ergebnisse in klinische Anwendungssoftware umgewandelt und in der klinischen Arbeit genutzt und gefördert, um das Diagnose- und Behandlungsniveau zu verbessern.