Račun značajke ultrazvučne slike temeljene na dubokom učenju u dijagnostici teške sepse komplicirane akutnom ozljedom bubrega
Dec 27, 2023
Ova je studija bila usmjerena na analizu dijagnostičke vrijednosti modela konvolucijskih neuronskih mreža na temelju dubokog učenja za tešku sepsu kompliciranu sakutna ozljeda bubregai pružanje effefektivna teorijska referenca za kliničku upotrebu ultrazvučne slikovne dijagnoze. U ovom istraživanju odabrano je 50 bolesnika s teškom sepsom kompliciranom akutnom ozljedom bubrega i 50 zdravih dobrovoljaca. Svi su bili podvrgnuti ultrazvučnom pregledu. Diffpostoje modeli konvolucijske neuronske mreže dubokog učenja gusta konvolucijska mreža (DenseNet121), Google početna mreža (GoogLeNet) i Microsoft'Rezidualna mreža (ResNet) korištena je za obuku i dijagnozu. Zatim su dijagnostički rezultati uspoređeni s profesionalnim liječnicima' artificijalne dijagnoze. Rezultati su pokazali da su točnost i osjetljivost tri algoritma dubokog učenja bile značajnefineznatno viši od profesionalnih liječnika' artificijalne dijagnoze. Osim toga, stope pogrešaka tri algoritamska modela za tešku sepsu kompliciranu akutnom ozljedom bubrega bile su značajnefineznatno niži od profesionalnih liječnika' artificijalne dijagnoze. Površine ispod krivulja (AUC) triju algoritama bile su signifineznatno viši od AUC liječnika' rezultati dijagnoze. Theparametri funkcije gubitaka DenseNet121i GoogLeNet bili su signifinešto niži od ResNet-a, sa statistički značajnimfine mogu differencija (P < 0:05). Nije bilo znakovafine mogu diffučestalost u vremenu obuke ResNet, GoogLeNet i DenseNet121 algoritama pod dubokim učenjem, jer je konvergencija postignuta nakon 700 puta, 700 puta, odnosno 650 puta (P > 0:05). Zaključno, vrijednost tri algoritma na račun dubinskog učenja u dijagnozama teške sepse komplicirane sakutna ozljeda bubregabio viši od profesionalnih liječnika' artificijalne prosudbe i imao je veliku kliničku vrijednost zadijagnoze i liječenja bolesti.
1. Uvod
Sada, kako se sepsa bolje razumije, znanstvenici je definiraju kao klinički sindrom u kojem anupalni odgovor organizmaje neprilagođen infekcijom, što rezultiraozbiljno oštećenje fiziologije i funkcija organa. Sepsa ima izrazito visok morbiditet i mortalitet u jedinicama intenzivnog liječenja, a postala je vodeći uzrok smrti kritično bolesnih pacijenata [1]. Prema nekim istraživanjima, svake godine u svijetu ima više od 30 milijuna novih slučajeva koncentriranih bolesti, a više od pet milijuna ljudi umrlo je od sepse, što je izazvalo ozbiljan pritisak i opterećenje za globalno javno zdravstvo [2-4]. . Patogeneza i patološki procesi komplicirani su i usko povezani s upalom, koagulacijskom disfunkcijom i imunološkim poremećajima [5–7]. Među njima se nekontrolirani upalni odgovor smatra jednim od uzročnika sepse. Rani upalni odgovori oslobađaju veliki broj proupalnih citokina iprotuupalni citokini[8]. Međutim, često postoji neravnoteža između proupalnih i protuupalnih čimbenika u bolesnika s sepsom, pa je upalna reakcija izvan kontrole, što ubrzava razvoj sepse [9-11]. Osim toga, upala je često u interakciji s koagulacijskom disfunkcijom i zatim utječe na razvoj sepse. Smanjena ekspresija tkivnih čimbenika ne može pokrenuti put egzogene koagulacije, što rezultira poremećajima koagulacije i ubrzava nastanak vaskularnih oštećenja [12-14].
Akutna ozljeda bubrega obično je karakterizirana brzim padom bubrežne funkcije, što rezultiraakutno zatajenje bubregai drugezatajenje organau teškim slučajevima.Akutna ozljeda bubregamože biti uzrokovan nizom čimbenika, koji uključuju uporabu lijekova, ishemiju/reperfuziju i infekciju [15-17]. Posljednjih godina učestalost i smrtnost od akutne ozljede bubrega raste, a stopa smrtnosti od teške akutne ozljede bubrega može doseći i više od 50%. Uzročnici akutne ozljede bubrega često su povezani s njihovim patogenim čimbenicima. Tijekom transplantacije organa, akutnog gubitka krvi ili toksičnog šoka, ishemijska/reperfuzijska ozljeda postala je važan patogeni mehanizam koji dovodi do akutne ozljede bubrega [18]. Kao najvažniji organ za izlučivanje u ljudskom tijelu, lijekovi se često izlučuju putem bubrega, a njihova masovna uporaba ili čak zlouporaba vjerojatno će uzrokovati akutno oštećenje bubrega izazvano lijekovima [19]. Sepsa komplicirana s akutnom ozljedom bubrega odnosi se na akutnu ozljedu bubrežnog parenhima koja se javlja kod pacijenata sa sepsom, a drugi čimbenici koji mogu uzrokovati oštećenje bubrega poput ishemije bubrega ili nefrotoksičnih tvari su isključeni. Akutna ozljeda bubrega vrlo je česta u osoba sa sepsom, a učestalost se povećava s težinom sepse. Epidemiološki podaci pokazuju da je incidencija akutne ozljede bubrega 19%, 23%, odnosno 51% u bolesnika s umjerenom sepsom, teškom sepsom i septičkim šokom. S obzirom na visoku učestalost sepse, može se procijeniti da je broj slučajeva akutnih ozljeda bubrega izazvanih sepsom prilično alarmantan. U usporedbi s drugim uzrocima, sepsa daje nestabilniju hemodinamiku akutne ozljede bubrega; veći je udio bolesnika koji trebaju vazopresore i mehaničku ventilaciju, viši je skor težine bolesti, a u konačnici je značajno povećan i mortalitet. Kašnjenje u ranoj dijagnozi i liječenju dovodi do kontinuirane progresije bolesti, a kontinuirana hipoperfuzija dovodi do akutne tubularne nekroze, koja se na kraju razvija u ireverzibilno oštećenje, čak iu smrt bolesnika [20-22].
Klinički, rana dijagnoza često se postavlja detekcijom kreatinina i volumena urina prema međunarodnim smjernicama, ali se obično ne može na vrijeme i u potpunosti postaviti ispravna dijagnoza. Kontinuiranim razvojem slikovnog pregleda, ultrazvučni slikovni pregled postupno se primjenjuje u kliničkoj dijagnostici sepse komplicirane akutnom ozljedom bubrega. Klinički radnici često ne mogu sažeti kvantitativne i točne medicinske informacije iz ultrazvučnih slika golim okom. Analiza medicinske slike i tehnologije obrade rješavaju ovu dilemu i postaju važni pomagači kliničkih dijagnoza [23-25]. Svrha daljnjih analiza i pojašnjenja je pomoći kliničarima da točnije i brže dijagnosticiraju bolest te dobiju detaljnije informacije o bolesti. Konvolucijska neuronska mreža, vrsta duboke neuronske mreže, sastoji se od dublje mrežne strukture koja može čitati slikovne podatke kao vizualne patološke značajke i pronaći značajke koje ljudske oči ne mogu pročitati. Ovo je vrlo važno za ultrazvuk u dijagnostici sepsekomplicirano akutnom ozljedom bubrega.
Ovo je istraživanje imalo za cilj analizirati dijagnostičku vrijednost teške sepse komplicirane sakutna ozljeda bubregapod konvolucijskom neuronskom mrežom temeljenom na dubokom učenju, kako bi se pružila određena referenca za dijagnozu kliničke ultrazvučne slike.
2. Materijali i metode
2.1. Studijski objekti.
U ovom istraživanju 50 bolesnika s teškom sepsom kompliciranom akutnom bubrežnom ozljedom primljenih u bolnicu od 10. siječnja 2020. do 10. svibnja 2021. odabrano je kao eksperimentalna skupina. Prema dobnoj i spolnoj distribuciji ovih bolesnika, 50 zdravih dobrovoljaca također je odabrano kao zdrava kontrolna skupina. Ovu studiju je odobrilo etičko povjerenstvo bolnice, a obitelji pacijenata bile su obaviještene o ovoj studiji i potpisale su informirani pristanak.
Kriteriji za uključivanje bili su sljedeći. Prvo je prema dijagnostičkim kriterijima bolesnika dijagnosticirana sepsa komplicirana akutnom ozljedom bubrega. Drugo, pacijenti su potpisali obrasce za informirani pristanak. Treće, pacijenti nisu patili od drugih ozbiljnih bolesti organa ilinasljedne bolesti. Četvrto, pacijenti nisu pregledani zbog kontraindikacija.
Pacijenti koji su zadovoljili kriterije isključenja imali su ozbiljne alergije, druge ozbiljne osnovne bolesti i povijest kronične ozljede bubrega. Štoviše, bolesnici su dulje vrijeme uzimali diuretike.
Postojala su dva uvjeta u kriteriju za suspenziju i eliminaciju. Prvo, pacijenti nisu mogli normalno završiti ultrazvučne pretrage. Drugo, pacijenti koji se nisu pridržavali tretmana praćeni su radi procjene indeksa.
Za zdrave dobrovoljce kontrolne skupine, kriterij uključivanja bio je isti kao i za pacijente sa sepsom kompliciranom akutnom ozljedom bubrega (2.-4.). Kriterij isključenja bio je isti kao i za bolesnike s kompliciranom sepsomakutna ozljeda bubrega(2.-4.). Bolesnici s akutnom ozljedom bubrega kompliciranom sepsom prekinuti su i isključeni.
Slika 5: Usporedba točnosti, specifičnosti i osjetljivosti između tri algoritma i profesionalnih liječnika. Napomena: ∗ predstavlja značajne razlike: P < 0:05.
2.2. Ultrazvučni pregledi slika.
Ultrazvučni slikovni pregledi istovremeno su obavljeni u 100 bolesnika. Bolesnike treba pregledavati natašte, prije pregleda ne piti puno vode i ležati na krevetu za pregled u ležećem položaju i lijevom bočnom položaju. Za renalni ultrazvučni pregled primijenjen je ultrazvučni sustav i sonda convex array 3,5 MHZ. Sonda je postavljena u stražnjoj aksilarnoj liniji, a položaj i kut sonde su podešeni kako bi se dobila najveća koronarna slika bubrega. Sonda je rotirana za 90 stupnjeva u koronalnom presjeku i pomicana gore-dolje kako bi se prilagodio kut zvučne zrake, a zatim je dobivena slika presjeka bubrega. Kada su pacijenti bili u potrbuškom položaju, sonda je postavljena ispod rebara na leđima za longitudinalno skeniranje. S oznakom sonde okrenutom prema glavi, mogla se promatrati sagitalna ravnina bubrega.
2.3. Modeli konvolucijskih neuronskih mreža.
Modeli strukture konvolucijske neuronske mreže Dense-Net121 dovršili su procese klasifikacije kroz konvoluciju, slojeve maksimalnog udruživanja, guste module i potpune slojeve veze. Zbog čvrste veze između različitih razina, model DenseNet121 mogao je apsorbirati i koristiti značajke svake razine i do određene mjere prevladati probleme nestanka gradijenta. Specifični model mrežne strukture DenseNet121 prikazan je na slici 1.
U strukturnom modelu konvolucijske neuronske mreže GoogLeNet značajno je povećan broj mrežnih slojeva, ali je bilo malo parametara. Postojao je integrirani početni modul koji je mogao kombinirati sloj udruživanja i sloj konvolucije kako bi se postigla velika brzina računanja i dobilo više informacija o značajkama. Osim toga, postojao je velik broj početnih grana. Njihova struktura i karakteristike bile su drugačije, a konačni rezultati proračuna točniji. Početni modul Goo gLeNeta prikazan je na slici 2.
ResNet je bio izvrstan model za detekciju objekata, klasifikaciju slika i model segmentacije koji se naširoko koristio u konvolucijskim neuronskim mrežama. U ResNet modelu pojavile su se zaostale strukture, što je olakšalo optimizaciju. U procesu širenja neuronskih mreža gradijent širenja postupno je nestajao zbog pojave povratnog širenja. Budući da je postojanje rezidualnih struktura riješilo ovaj problem, informacije o gradijentu lakše su se prenosile u procesu obrnutog prijenosa rezidualnih struktura, a mreža s rezidualnim modulima dobila bi veću točnost identifikacije. U isto vrijeme, rezidualni mrežni model ResNet usvojio je velik broj relativno standardiziranih metoda enzimskog treninga. Njegov specifični strukturni model prikazan je na slici 3.
Slika 7: Rezultati ROC krivulje tri algoritma i dijagnoze profesionalnih liječnika.
ResNet je poboljšao broj mrežnih slojeva kroz rezidualne strukture i pojednostavio objekte učenja kako bi ostvario poboljšanje brzine obuke i točnosti parametara. Predloženo je da se unese početna vrijednost xi i postavi težina na a. Bias je predstavljen s c, yi je bio zbroj grana, a njegove računske funkcije prikazane su u sljedećim jednadžbama:
Usluga podrške Wecistanche-najvećeg izvoznika cistanche u Kini:
E-pošta:wallence.suen@wecistanche.com
Whatsapp/telefon:+86 15292862950
Kupite za više pojedinosti o specifikacijama:
https://www.xjcistanche.com/cistanche-shop
