Artificiell intelligens riktat Point-of-care ultraljudsbildtolkningssystem

Ultraljud är ett icke-invasivt och icke-strålat diagnostiskt verktyg i akut- och akutvårdsmiljöer. I klinisk praxis är det viktigt att tolka sonografiska bilder i rätt tid för att underlätta beslutsfattande. Det beror dock på operatörernas erfarenhet. Som vanligt tar det tid för yngre akutläkare att ha god diagnostisk precision genom traditionell sonografisk utbildning. Hur man förkortar lärandet Detta förslag är för ett ettårigt projekt. I detta projekt syftar vi till att undersöka möjligheten att använda AI för sonografisk bildtolkning. Huvudprojektet ansvarar för samordningen mellan de två delprojekten och huvudprojektet, tillhandahåller bildresurser och använder U-Net (Convolutional Networks for Biomedical Image Segmentation) och Transfer Learning för att bygga upp modellerna för bildigenkänning och validering av effektiviteten av modellerna. Syftet med delprojekt 1 är att utveckla ett bildigenkänningssystem för dynamiska bilder: perikardiell effusion. Efter att modellen byggts upp kommer validering av effektiviteten och framtida revidering att göras. Delprojekt 2 kommer ut ett bildigenkänningssystem för statiska bilder: hydronephrosis. Efter att modellen byggts upp kommer validering av effektiviteten och framtida revidering att göras.

Denna pionjärstudie kan tillhandahålla två AI-stödda ultraljudsbildigenkänningssystem under verkliga kliniska förhållanden. De kan erfarenhet av kliniska tillämpningar och bidra till aktuell medicinsk utbildning. Dessutom kan det förbättra beslutsprocessen och kvaliteten på vården på akut- och intensivvårdsavdelningarna. Dessutom kan uppsättningsmodellerna användas i andra mål-ultraljudsbildigenkänning i framtiden.