简介:摘要目的尝试构建1个基于深度学习的内镜超声检查(endoscopic ultrasonography,EUS)质量控制系统,并验证其价值。方法从武汉大学人民医院消化内镜中心数据库中,回顾性收集2016年12月—2019年12月间的269个EUS检查资料,分为:(1)用于训练模型的训练数据集A,包含205个检查,其中16 305张图像用于分类训练,1 953张图像用于分割训练;(2)用于评估模型性能的测试数据集B,包含44个检查,其中1 606张图像用于分类验证,480张图像用于分割验证;(3)用于内镜医师与模型进行比较的数据集C,包含20个检查,共150张图像。EUS专家(具有10年以上的EUS操作经验)甲和乙通过讨论对训练集A和测试集B、C的所有图像进行分类和标注,其结果用作金标准。EUS专家丙和高年资EUS医师(具有5年以上的EUS操作经验)丁、戊对数据集C中的图像进行分类和标注,其结果用于与深度学习模型进行比较。主要观察指标包括分类的准确率、分割的Dice(F1指数)和一致性分析的Kappa系数。结果在测试数据集B中,模型分类的平均准确率为94.1%,胰腺分割的平均Dice为0.826,血管分割的平均Dice为0.841。在数据集C中,模型的分类准确率达到90.0%,专家丙、高年资医师丁和戊分别为89.3%、88.7%和87.3%;模型的胰腺和血管分割Dice系数分别为0.740和0.859,专家丙分别为0.708和0.778,高年资医师丁分别为0.747和0.875,高年资医师戊分别为0.774和0.789,模型与专家的水平相当。一致性分析结果显示,模型与内镜医师之间达成了较好的一致性(Kappa系数分别为:模型与专家丙间0.823、模型与高年资医师丁间0.840、模型与高年资医师戊间0.799)。结论基于深度学习的EUS分站和胰腺分割识别系统可以用于胰腺EUS的质量控制,具有与EUS专家相当的分类和分割识别水平。
简介:摘要目的通过深度学习的方法,开发具备判断儿童牙齿是否龋坏尤其是判断未成洞龋能力的人工智能识别系统雏形。方法收集北京大学口腔医学院·口腔医院儿童口腔科2013年10月至2020年6月拍摄的符合纳入标准的全身麻醉治疗前患儿单颌口内数码照片712张,以记录完备的治疗后病历诊断结合口内像确定牙齿是否龋坏以及龋的类型,具体包括:已成洞的龋(成洞龋)、未成洞的窝沟龋、边缘嵴釉质未破坏的邻面龋(未成洞邻面龋)。由儿童口腔科医师使用VoTT软件(Windows 2.1.0,Microsoft,美国)对不同牙齿及龋坏类型进行标注。分5个标签组:未成洞窝沟龋、未成洞邻面龋、完好无龋坏的牙齿邻面、成洞龋及无龋牙(含已完好充填的牙齿);每个标签组数据按6.4∶ 1.6∶ 2.0的比例采用随机数表的方法随机分为训练集、验证集和测试集数据。采用标注后的训练数据集进行深度学习训练,并建立龋齿人工智能识别系统,以龋坏概率大于50.0%作为患龋的判断标准输出判断结果,并对测试集数据进行识别。应用灵敏度、特异度等作为识别各类龋坏准确性的指标评价人工智能系统的判断能力。结果712张单颌口内照片经分割标注得到未成洞窝沟龋953张,未成洞邻面龋1 002张,成洞龋3 008张,无龋牙3 189张,无龋邻面862张,共计9 014张图像数据。测试集的识别结果:对成洞龋识别灵敏度和特异度分别为96.0%和97.0%;对未成洞窝沟龋灵敏度为95.8%,特异度99.0%;对未成洞邻面龋灵敏度为88.1%,特异度97.1%。结论本研究构建的儿童龋人工智能识别系统雏形,具备判断龋坏的能力,对同组样本该系统不仅能准确判断成洞龋,对未成洞的窝沟龋、边缘嵴釉质未破坏的邻面龋也能准确判断。
简介:为提高对婴儿健康监护的质量,本研究提出在育婴箱中增加婴儿哭声识别功能,该系统主要以TI公司的数字信号处理器(DSP)芯片TMS320DM643和多媒体音频编解码芯片TLC320AIC23B为硬件核心,设计一套实时的婴儿哭声识别系统。本系统使用拾音器采集婴儿哭声,音频解码芯片对声音信号进行处理,然后发送给DSP芯片,DSP芯片对声音信号进行预处理,然后用优化的自相关函数算法提取特征参数-线性预测系数(LPC),使用动态时间规整(DTW)识别算法,实现对婴儿的哭声准确识别,并经串口向上位机发送识别结果。该系统在实际测试后表明,婴儿啼哭状态识别准确率可达97.1%,在婴儿护理领域具有重要意义。
简介:摘要目的验证基于快速区域卷积神经网络(Faster R-CNN)胰腺癌增强CT自动识别系统,并探讨其临床应用价值。方法回顾性收集青岛大学附属医院2013年1月至2016年5月收治的315例胰腺癌患者的4 024张增强CT影像序列,将2 614张影像序列作为训练组输入Faster R-CNN系统,建立影像自动识别模型,通过读取135例胰腺癌的1 410张增强CT影像进行验证。为了进一步测试其临床应用效果,读取150例胰腺占位患者的3 750张增强CT影像并对其诊断结果进行随访。记录结节类别的精准率和召回率,绘制精确回归曲线,分析Faster R-CNN诊断的准确性、灵敏度、特异度,生成受试者工作特征(ROC)曲线,并计算曲线下面积。结果基于135例胰腺癌增强CT影像,得到Faster R-CNN的人工智能辅助诊断的ROC曲线的曲线下面积为0.927,准确性、特异度、灵敏度分别为0.902、0.913、0.801。经过150例胰腺占位患者资料的验证,判定阳性893张,阴性2 857张,Faster R-CNN诊断为胰腺癌患者98例,对其诊断结果进行随访,其中53例经外科手术后病理证实为胰腺导管癌、21例为胰腺囊腺癌、12例为胰腺囊腺瘤、5例为胰腺囊肿,7例患者未手术治疗。在术后5~17个月内6例死于腹腔肿瘤浸润、肝转移或肺转移。在Faster R-CNN诊断为阴性的52例患者中,有9例经外科术后证实为胰腺导管癌。结论Faster R-CNN系统能够帮助影像科医师对胰腺癌进行诊断,具有一定的临床应用价值。
简介:目的:评价TTB视觉比色机械训练系统对受试者比色能力的影响.方法:使用TTB系统对102名受试者进行每周1次、共3周的视觉比色训练,记录每次TTB训练的成绩及时间,计算每次TTB测试的比色效率值.在训练前后均随机选29色Vita3D-Master比色板的5个色标进行比色测试,计算比色平均色差及单项色彩因素选择正确率,做为培训前、后比色能力测试成绩.结果:TTB测试比色效率逐渐提高,三次测试效率之间的差异均有统计学意义(P<0.01);培训后比色能力测试中所选色片与目标色片的平均色差小于培训前比色平均色差,差异有统计学意义(P<0.01).经培训后受试学生对单项色彩因素选择正确率均高于培训前水平,差异有统计学意义(P<0.01).结论:视觉比色机械培训可提高受试者的色彩识别能力.
简介:摘要目的:探讨持续改进在移动信息系统下患者身份识别应用效果。方法:成立 CQI质量改进小组,分析移动护理信息系统下身份核对不正确的原因,制定持续改进措施。护理部与各科室护士长反复督查,以保证对病人实施正确身份核对,保证患者安全。结果:通过持续改进医院从 2016年 10月的 50 %上升至 2017年 10月 100% 结论:移动信息系统下患者身份核对正确率明显提高。