Ocena modeli wczesnego ostrzegania o wysokim ryzyku zapalenia płuc

Pylica płuc, dominująca choroba zawodowa w Chinach i na całym świecie. Radiografia klatki piersiowej jest najbardziej dostępnym i niedrogim badaniem radiologicznym dostępnym do badania fizykalnego pracowników narażonych na pył i masowych badań przesiewowych w kierunku pylicy płuc. Ale proces diagnostyczny ma pewne wady, takie jak duża subiektywność, nieskuteczność i trudności w ocenie zmiany granicznej itp. Poza tym, zapobieganie pylicy jest ważniejsze niż leczenie. Jednak obecny proces nie może wcześnie ostrzec pracowników narażonych na wysokie ryzyko pyłu, dopóki nie zostanie u nich zdiagnozowana pylica płuc. Dzięki cechom wydajności, bezosobowości i kwantyfikacji, sztuczna inteligencja jest w sam raz do rozwiązania wspomnianych problemów. Do tej pory przeprowadzono rzadkie badania dotyczące adaptacji głębokiego uczenia się do diagnozowania stopnia pylicy płuc i wczesnego ostrzegania o wysokim ryzyku. W naszych poprzednich badaniach stworzyliśmy bazę danych radiogramów klatki piersiowej, która zawiera ponad 100 000 cyfrowych zdjęć radiograficznych pylicy płuc. Wynik oceny systemu detekcji wykazał, że dokładność identyfikacji pylicy płuc może sięgać 90%, przy AUC (obszar pod krzywą) 0,965 i czułości 99%. Dalsze prace muszą być kontynuowane. Dlatego dążymy do adaptacji głębokiego uczenia się do opracowania modeli inteligentnego wykrywania pylicy płuc, diagnozy stopnia i wczesnego ostrzegania o wysokim ryzyku. Obrazy z adnotacjami zostaną wykorzystane do szkolenia algorytmów konwolucyjnych sieci neuronowych (CNN), mającego na celu badanie przesiewowe pylicy płuc i diagnozę stopnia. Ponadto ocena ryzyka obliczona na podstawie mapy cieplnej gęstości zostanie wykorzystana do wczesnego ostrzegania pracowników narażonych na pył. Następnie sugerowana będzie obserwacja kohorty w celu zweryfikowania ważności oceny ryzyka. W ten sposób pracownicy narażeni na pył wysokiego ryzyka otrzymają wczesną interwencję i lepsze rokowanie, co oczywiście może zmniejszyć obciążenie medyczne.