Ontwikkeling van een AI-gebaseerd Emergency Imaging Multi-Disease Rapid Joint Screening-systeem (Al-MDS)

Invoering:

Vroege en snelle diagnose van etiologie is vaak een belangrijk onderdeel van het redden van levens van patiënten op de afdeling spoedeisende hulp. CT-thorax is een belangrijke onderzoeksmethode voor nooddiagnose vanwege de hoge onderzoekssnelheid en nauwkeurige lokalisatie. Traditionele medische beeldvormingsdiagnostiek vertrouwt op radiologen om op een kwalitatieve en subjectieve manier te rapporteren. Door de interdisciplinaire combinatie van klinische, beeldvorming en kunstmatige intelligentie, de integratie van multi-omics-gegevens, de constructie van grootschalige taalmodellen en de constructie van het hulpdiagnoseondersteunende systeem van "één controle voor meerdere ziekten" zorgen voor nieuwe ideeën en middelen voor de snelle en nauwkeurige screening van kritieke noodsituaties.

Methode:

Onderzoeksopzet Onderzoekers verzamelden retrospectief cardiovasculaire, respiratoire, spijsverterings- en neurologische CT-beelden, demografische gegevens, medische geschiedenis en laboratoriumgegevens van patiënten op de afdeling spoedeisende hulp in de periode van 1 januari 2018 tot 30 december 2024. Voer regelmatig gestandaardiseerde follow-upwerkzaamheden uit en voltooi de verzameling en database-opbouw van multi-omics-gegevens met klinische beeldvorming van patiënten die naar de afdeling spoedeisende hulp gaan. De opnamecriteria zijn: 1. volwassen spoedpatiënten met cardiovasculaire, respiratoire, spijsverterings- en zenuwstelselaandoeningen; 2. Deze patiënten hadden CT-beelden. Patiënten met onvolledige klinische of radiografische gegevens werden uitgesloten van de analyse. Voer regelmatig gestandaardiseerde follow-upwerkzaamheden uit en voltooi de verzameling en database-opbouw van multi-omics-gegevens met klinische beeldvorming van patiënten die naar de afdeling spoedeisende hulp gaan.

Op basis van de verzamelde medische tekstgegevens wordt een algoritmeraamwerk voor kunstmatige intelligentie op grote schaal gebouwd. Nadat de structuurannotatie van CT-beelden op de borst is uitgevoerd door artsen boven het tussenliggende niveau van beeldvorming, wordt het diepe neurale netwerk van de Transformer getraind voor CT-beeldsegmentatie en een reeks taken zoals structurele structuursegmentatie, schadedetectie, ziekteclassificatie en automatisch rapport generatie zijn ontwikkeld op basis van het architectuurmechanisme voor zelfaandacht van Vision Transformer. Een multi-ziekte diagnose- en behandelingsbesluitvormingssysteem op basis van thorax-CT-beelden, klinische tekst en multimodale onderzoeksgegevens werd geconstrueerd en gevalideerd.

Discussie

Spoedeisende geneeskunde houdt zich voornamelijk bezig met onvoorspelbare kritieke en plotselinge ziekten. Patiënten die voor medische behandeling naar de afdeling spoedeisende hulp komen, hebben vaak een acuut begin, een verborgen aandoening, snelle vooruitgang, veel complicaties, een hoog sterftecijfer en een hoog invaliditeitspercentage. Geassisteerde diagnosesystemen die zijn ontwikkeld door klinische tekst, afbeeldingen en kunstmatige intelligentie te combineren, kunnen het vermogen van artsen op de spoedeisende hulp om ziekten nauwkeurig te diagnosticeren aanzienlijk verbeteren. Deze studie vult de blanco CT-diagnosesystemen met kunstmatige intelligentie voor spoedeisende patiënten en biedt een snel diagnoseschema voor multi-systeem en multi-ziekte. Ten slotte zullen de resultaten worden omgezet in klinische applicatiesoftware en worden gebruikt en gepromoot in klinisch werk om de diagnose en het behandelingsniveau te verbeteren.