Evaluering av høyrisikomodeller for tidlig varsling av pneumokoniose

Pneumokoniose, den dominerende yrkessykdommen i Kina og over hele verden. Røntgen av brystet er den mest tilgjengelige og rimeligste radiologiske testen tilgjengelig for fysisk undersøkelse av støveksponerte arbeidere og massescreening for pneumokoniose. Men diagnoseprosessen har noen ulemper, slik som sterk subjektivitet, ineffektivitet og funksjonshemning ved vurdering av borderline lesjon, etc. Dessuten er forholdsregler ved pneumokoniose viktigere enn behandling. Imidlertid kan den nåværende prosessen ikke tidlig advare de høyrisikostøveksponerte arbeiderne før de er diagnostisert med pneumokoniose. Med funksjonen effektivitet, upersonlighet og kvantifisering, er kunstig intelligens akkurat passende for å løse de nevnte problemene. Til nå har det vært sjelden forskning om tilpasning av dyp læring for pneumokoniose-gradsdiagnose og tidlig varsling med høy risiko. I våre tidligere studier har vi opprettet en thoraxradiografdatabase, som inneholder mer enn 100 000 digitale pneumokoniose-radiografibilder. Resultatet av deteksjonssystemevaluering viste at nøyaktigheten i identifiseringen av pneumokoniose kunne nå 90 %, med en AUC(Area Under The Curve) på 0,965 og en sensitivitet på 99 %. Flere arbeider må videreføres. Derfor tar vi sikte på å tilpasse dyp læring for å utvikle modeller for intelligent deteksjon av pneumokoniose, karakterdiagnose og tidlig varsling med høy risiko. De kommenterte bildene vil bli brukt for konvolusjonelle nevrale nettverk (CNNs) algoritmetrening, med sikte på pneumokoniose-screening og karakterdiagnose. Dessuten vil risikoscore beregnet av tetthetsvarmekart bli brukt for tidlig varsling av støveksponerte arbeidere. Deretter vil oppfølging av kohorten bli underforstått for å verifisere gyldigheten av risikoskåren. På denne måten vil de høyrisikostøveksponerte arbeiderne få tidlig intervensjon og bedre prognose, noe som åpenbart kan redusere medisinsk belastning.