Utvikling av et AI-basert Emergency Imaging Multi-Disease Rapid Joint Screening System (Al-MDS)

Introduksjon:

Tidlig og rask diagnose av etiologi er ofte en viktig del av å redde livet til pasienter i akuttmottaket. Bryst-CT er en viktig undersøkelsesmetode for nøddiagnose på grunn av dens raske undersøkelseshastighet og nøyaktige lokalisering. Tradisjonell medisinsk bildediagnose er avhengig av at radiologer rapporterer på en kvalitativ og subjektiv måte. Gjennom den tverrfaglige kombinasjonen av klinisk, bildediagnostikk og kunstig intelligens, integrasjon av multi-omics-data, konstruksjon av storskala språkmodeller og konstruksjonen av hjelpediagnosestøttesystemet "én sjekk for flere sykdommer" gir nye ideer og midler for rask og nøyaktig screening av akutte kritiske sykdommer.

Metode:

Studiedesign Etterforskere samlet retrospektivt kardiovaskulære, respiratoriske, fordøyelses- og nevrologiske CT-bilder, demografiske data, sykehistorie og laboratoriedato for akuttmottakspasienter i perioden 1. januar 2018 og 30. desember 2024. Gjennomfør regelmessig standardisert oppfølgingsarbeid, og fullfør innsamling og databaseetablering av multi-omics-data for klinisk avbildning av pasienter på akuttmottaket. Inklusjonskriteriene er:1. voksne akuttpasienter med kardiovaskulære, luftveis-, fordøyelses- og nervesystemsykdommer; 2. Disse pasientene hadde CT-bilder. Pasienter med ufullstendige kliniske eller radiografiske data ble ekskludert fra analysen. Gjennomføre regelmessig standardisert oppfølgingsarbeid, og fullføre innsamling og databaseetablering av klinisk avbildende multi-omics-data fra pasienter på akuttmottaket.

Basert på de innsamlede medisinske tekstdataene, bygges et kunstig intelligens storskala språkmodellalgoritmerammeverk. Etter at strukturkommentaren til CT-thorax-bilder er utført av leger over mellomnivået for bildebehandling, trenes Transformers dypnevrale nettverk for CT-bildesegmentering, og en rekke oppgaver som strukturell struktursegmentering, skadedeteksjon, sykdomsklassifisering og automatisk rapport generasjonen er utviklet basert på Vision Transformers selvoppmerksomhetsarkitekturmekanisme. Et multi-sykdomsdiagnose og behandlingsbeslutningssystem basert på CT-bilder av brystet, klinisk tekst og multimodale undersøkelsesdata ble konstruert og validert.

Diskusjon

Akuttmedisin omhandler hovedsakelig uforutsigbare kritiske og plutselige sykdommer. Pasienter som kommer til legevakten for medisinsk behandling har ofte akutt debut, skjult tilstand, rask fremgang, mange komplikasjoner, høy dødelighet og uførhet. Assisterte diagnosesystemer utviklet ved å kombinere klinisk tekst, bilder og kunstig intelligens kan i stor grad forbedre legevaktslegers evne til nøyaktig å diagnostisere sykdommer. Denne studien fyller tomrommet i CT-diagnosesystemet med kunstig intelligens for akutte pasienter, og gir et raskt diagnoseskjema for multisystem og multisykdommer. Til slutt vil resultatene transformeres til klinisk applikasjonsprogramvare og brukes og fremmes i klinisk arbeid for å forbedre diagnose- og behandlingsnivået.