Kunstig intelligens rettet Point-of-care ultralyd bildetolkningssystem

Ultralyd er et ikke-invasivt og ikke-utstrålt diagnostisk verktøy i akutt- og kritiske omsorgsmiljøer. I klinisk praksis er rettidig tolkning av sonografiske bilder viktig for å lette beslutningstaking. Det avhenger imidlertid av operatørenes erfaring. Som vanlig tar det tid for yngre legevakt å ha god diagnostisk nøyaktighet gjennom tradisjonell sonografisk utdanning. Hvordan forkorte læringen Dette forslaget er for et ettårig prosjekt. I dette prosjektet tar vi sikte på å undersøke muligheten for å bruke AI for sonografisk bildetolkning. Hovedprosjektet er ansvarlig for koordinering mellom de to delprosjektene og hovedprosjektet, gir bilderessurser, og bruker U-Net (Convolutional Networks for Biomedical Image Segmentation) og Transfer Learning for å bygge opp modellene for bildegjenkjenning og validere effekten av modellene. Hensikten med delprosjekt 1 er å utvikle et bildegjenkjenningssystem for dynamiske bilder: perikardial effusjon. Etter å ha bygget opp modellen, vil validering av effektiviteten og fremtidig revisjon bli gjort. Delprosjekt 2 kommer ut et bildegjenkjenningssystem for statiske bilder: hydronefrose. Etter å ha bygget opp modellen, vil validering av effektiviteten og fremtidig revisjon bli gjort.

Denne pionerstudien kan gi to AI-assisterte ultralydbildegjenkjenningssystemer under virkelige kliniske forhold. De kan oppleve kliniske anvendelser og bidra til nåværende medisinsk utdanning. Dessuten kan det forbedre beslutningsprosessen og kvaliteten på omsorgen i akutt- og kritiske avdelinger. Videre kan oppsettmodellene brukes i annen mål-ultralydbildegjenkjenning i fremtiden.