(資料圖片)

小編發(fā)現(xiàn)不少朋友對于 人工智能在ED環(huán)境中評估X射線獲得高分 這方面的信息都比較感興趣，小編就針對 人工智能在ED環(huán)境中評估X射線獲得高分 整理了一些相關(guān)方面的信息 在這里分享給大家。

根據(jù)《放射學》上發(fā)表的新研究，可以訓練深度學習算法在急診室(ED)的環(huán)境中標記可疑的胸部X光。

韓國首爾國立大學醫(yī)學院放射學系Eui Jin Hwang寫道：“要使DL算法在醫(yī)學成像中在臨床上有用，應在反映該新技術(shù)臨床應用的研究樣本中驗證其性能，”同事?！耙虼耍覀兊难芯磕康氖窃u估DL算法在ED設(shè)置中具有臨床相關(guān)異常的胸部X光片識別中的性能?！?/p>

作者使用先前開發(fā)的深度學習算法來分析來自2017年1月1日至2017年3月31日接受過一次ED并接受了胸部X光檢查的1,000多名連續(xù)患者的數(shù)據(jù)。然后將該算法的性能與一組患者的性能進行了比較。應召集的放射科住院醫(yī)師，他們照常解釋了影像學發(fā)現(xiàn)。

總體而言，該團隊發(fā)現(xiàn)該算法在ROC曲線(AUC)下的面積為0.95，可用于檢測相關(guān)異常。在研究小組選擇的高靈敏度臨界值(概率得分為0.16)下，它的敏感性為88.7%，特異性為69.6%。在團隊選擇的高特異性臨界值(概率得分為0.46)下，靈敏度為81.6%，特異性為90.3%。

同時，居民比算法具有更高的特異性和更低的靈敏度，但是當使用算法的輸出時，他們的靈敏度確實提高了。

作者寫道：“在這項臨時回顧性研究中，該算法在對ED的臨床相關(guān)異常影像學影像進行分類中顯示出了很高的效率，” “這表明該深度學習算法已準備好在受控的實時ED設(shè)置中進行進一步測試。”

作者指出，此外，他們評估的算法可能會對篩查或分診患者產(chǎn)生重大影響。

Hwang等人說：“在研究期間，在具有相關(guān)異常的X線照片中，圖像獲取和報告之間的時間間隔矛盾地更長?！?寫道。“在這方面，該算法可通過在ED醫(yī)生和放射科醫(yī)生解釋之前對X光片進行檢查來改善ED中的臨床工作流程。該算法可以告知醫(yī)生和放射科醫(yī)生，如果相關(guān)疾病的可能性很高，需要及時進行診斷和管理?！?/p>

關(guān)鍵詞： 人工智能 放射科醫(yī)生 的可能性