استفاده از یک الگوریتم به کمک هوش مصنوعی برای تعیین موقعیت لوله تراشه در رادیوگرافی قفسه سینه

مقدمه: لوله های تراشه ارتباط حیاتی بین دستگاه ونتیلاتور و بیمار برقرار می کنند؛ با این حال، قرارگیری نادرست آن ها می تواند کارایی تهویه را مختل کند یا به بیمار آسیب برساند. عکسبرداری قفسه سینه (CXR) متداول ترین روش برای تایید قرارگیری صحیح ETT است، اما تفسیر این تصاویر نیازمند تخصص قابل توجهی از سوی تکنسین ها بوده و گزارش های رسمی اغلب با تاخیر یا اشتباه ارائه می شوند. روش کار: در این مطالعه، یک سیستم تریاژ مبتنی بر هوش مصنوعی برای ارزیابی خودکار قرارگیری ETT در تصاویر CXR توسعه داده شد. سه متخصص مراقبت های ویژه، ۲۳۶۹ تصویر CXR از ۱۲۲۸ بیمار ICU را بررسی کردند. این تصاویر بر اساس قرارگیری ETT به دو دسته » صحیح (CORRECT) «و » ناصحیح (INCORRECT) « برچسب گذاری شدند. همچنین، ناحیه مورد نظر (ROI) که شامل بخش دوطرفه سر استخوان ترقوه، کارینا و نوک لوله تراشه بود، جدا شد. از یادگیری انتقالی (Transfer Learning) برای آموزش چهار مدل از پیش آموخته VGG۱۶، INCEPTION_V۳، RESNET و DENSENET۱۶۹) و دو مدل توسعه یافته در این مطالعه VGG۱۶_Tensor Projection Layer و CNN_Tensor Projection Layer استفاده شد تا تفاوت در قرارگیری ETTها تشخیص داده شود. یافته ها: تنها مدل VGG۱۶ مبتنی بر تصاویر ROI عملکرد قابل قبولی داشت. score AUROC = ۹۷٪ و ۷۹/۰ f۱. نتیجه گیری: این مطالعه امکان سنجی استفاده از مدل های از پیش آموزش دیده را در توسعه یک سیستم هوش مصنوعی مبتنی بر یادگیری انتقالی نشان می دهد که می تواند ارزیابی موقعیت لوله های تراشه (ETT) در تصاویر رادیوگرافی قفسه سینه (CXR) را به صورت خودکار انجام دهد.

کلیدواژه ها:

الگوریتم ، یادگیری انتقالی ، هوش مصنوعی ، لوله تراشه