人工智能系统准确检测的关键在胸部x光检查发现肺炎患者在10秒

从20分钟10秒或更多。

山间医疗和斯坦福大学的研究人员说10秒是如何迅速用了一个新的系统,他们研究了利用人工智能中准确地识别关键发现胸部x光检查的病人在急诊科疑似肺炎。

研究发现,这些超快的发现可能使医生阅读x射线准确证实肺炎诊断明显高于目前的临床实践,使治疗更早开始,对重症患者是至关重要的是患有肺炎。

合作研究的结果将会在《欧洲呼吸协会2019年国际大会,在西班牙马德里举行周一,2019年9月30日。

山间和斯坦福大学的研究人员研究了CheXpert系统,一个自动化的胸部x光片解释模型开发了斯坦福大学,利用人工智能检查x射线图像,在山间的急诊医院在犹他州。

审查后,研究人员发现CheXpert系统识别关键发现x射线非常精确地高协议达成共识三个放射学家约10秒,大大优于目前的临床实践。

“CheXpert是快速和准确的放射科医生查看学习。这是一个令人兴奋的新诊断和治疗病人的思考方式尽可能提供最好的照顾,”内森·c·迪恩说:医学博士,这项研究的首席研究员,和科长的肺和危重病医学山间医疗中心在盐湖城。

CheXpert模型是由斯坦福大学机器学习小组,使用188000胸部影像学研究创建一个模型,可以确定哪些是,哪些不是肺炎的x射线。这些图片来自斯坦福大学医学中心在帕洛阿尔托,加州

自患者群体/地理位置不同,CheXpert然后调整为犹他州通过阅读从山间急诊额外的6973张照片。

“我们已经开发一种深刻的学习算法,可以自动检测肺炎和相关在胸部x光检查发现,”杰里米·欧文说,斯坦福大学博士生,研究小组的成员之一。“在最初的研究中,我们已经展示了通过验证算法的潜力在山间的急诊病人医疗保健。我们希望,该算法可以提高肺炎护理的质量在山间,从提高诊断精度减少诊断时间。”

迪恩博士解释说,在一个典型的急诊患者疑似肺炎胸部x光片。在创建这些图像是一个快速的过程,让他们读可以耗费时间因为这些x射线进入一行与其他图像由放射科医生解释。这一过程可以采取20分钟或者更多,这意味着潜在的延迟非常生病的肺炎患者抗生素的开始。

在山间急诊,放射学报告运行通过cern自然语言处理(NLP),这是一个目前支持工具用于从放射科医生报告获得需要的信息。NLP然后提要的信息到ePNa电子临床决策支持工具通常肺炎护理在山间的一部分。

对于大多数急诊ePNa不可用,CheXpert模型可以为临床医生提供信息直接从胸部x光检查,迪恩博士说。

“使用CheXpert系统,我们发现解释时间非常迅速和报告的准确性很高,”他补充道。

在这项研究中,山间放射科医生从461名山间患者胸部图像分类是“可能”“likely-uncertain”,“unlikely-uncertain,”或“不可能”有肺炎。他们认为他们还确定图像显示肺炎肺的多个部分,这些患者是否parapneumonic积液,肺和胸腔之间的液体积聚。

放射科医生与彼此不同的分类中超过一半的患者,通常已经在先前的研究中显示。CheXpert模型性能相同的图像与放射科医生。

研究人员发现,CheXpert模型优于当前系统使用放射学家为所有关键肺炎创建放射学报告发现,加上NLP。也这样做不到10秒,相比NLP的20分钟时间。NLP的放射学报告在ePNa错误的最常见原因。

”2013年的一项研究发表在JAMA内科发现,59%的错误由ePNA是由于NLP的处理放射科医生报告,所以我们渴望换成更好,更快的系统,”迪恩博士说。

ePNa以外的问题,急诊科医生看着放射学报告常常面临的挑战是理解所使用的非结构化语言放射学家在解释阴影在胸部x光检查,死博士补充说。

他说,下一步是CheXpert模型用于生活在急诊科,他预计今年秋季发生在选择山间医疗医院。