Bericht über Deep-Learning-basierte Ultraschallbildfunktionen bei der Diagnose schwerer Sepsis als Komplikation einer akuten Nierenverletzung
Dec 27, 2023
Ziel dieser Studie war es, den diagnostischen Wert von Convolutional Neural Network-Modellen aufgrund von Deep Learning bei schwerer Sepsis mit Komplikationen zu analysierenakute Nierenschädigungund Bereitstellung einer effektive theoretische Referenz für den klinischen Einsatz von Ultraschallbilddiagnosen. Für diese Studie wurden 50 Patienten mit schwerer Sepsis, die mit einer akuten Nierenschädigung einherging, und 50 gesunde Freiwillige ausgewählt. Sie alle wurden einer Ultraschalluntersuchung unterzogen. DiffErent Deep Learning Convolutional Neural Network Modelle Dense Convolutional Network (DenseNet121), Google Inception Net (GoogLeNet) und Microsoft'Für Schulungen und Diagnosen wurde das Restnetzwerk (ResNet) des Unternehmens genutzt. Anschließend wurden die Diagnoseergebnisse mit professionellen Bildärzten verglichen' artifizielgerichtete Diagnosen. Die Ergebnisse zeigten, dass die Genauigkeit und Empfindlichkeit der drei Deep-Learning-Algorithmen signifikant warenfideutlich höher als bei professionellen Bildärzten' artifizielgerichtete Diagnosen. Darüber hinaus waren die Fehlerraten der drei Algorithmusmodelle für schwere Sepsis mit akuter Nierenschädigung signifikantfideutlich niedriger als bei professionellen Ärzten' artifizielgerichtete Diagnosen. Die Flächen unter den Kurven (AUCs) der drei Algorithmen waren signifikantfideutlich höher als die AUCs von Ärzten' Diagnoseergebnisse. DerVerlustfunktionsparameter von DenseNet121und GoogLeNet waren signifideutlich niedriger als die von ResNet, mit einem statistisch signifikanten WertfiKann nicht differenz (P < 0:05). Es gab keine AnzeichenfiKann nicht diffErenz in der Trainingszeit von ResNet-, GoogLeNet- und DenseNet121-Algorithmen unter Deep Learning, da die Konvergenz nach 700 Mal, 700 Mal bzw. 650 Mal erreicht wurde (P > 0:05). Zusammenfassend lässt sich sagen, dass der Wert der drei Algorithmen aufgrund von Deep Learning bei der Diagnose schwerer Sepsis komplizierter istakute Nierenschädigungwar höher als bei professionellen Ärzten' artifizielgerichtete Urteile und hatten großen klinischen Wert für dieDiagnosen und Behandlungen der Krankheit.
1. Einleitung
Da Sepsis nun besser verstanden wird, wird sie von Wissenschaftlern als ein klinisches Syndrom definiert, bei dem eineEntzündungsreaktion des Organismusist durch eine Infektion fehlangepasst, was dazu führtschwere Schädigung der Physiologie und Organfunktionen. Sepsis hat auf Intensivstationen eine extrem hohe Morbidität und Mortalität und ist zur häufigsten Todesursache bei kritisch kranken Patienten geworden [1]. Einigen Studien zufolge gibt es weltweit jedes Jahr mehr als 30 Millionen neue Fälle konzentrierter Krankheiten, und mehr als fünf Millionen Menschen sind durch Sepsis gestorben, was zu einem ernsthaften Druck und einer Belastung für die globale öffentliche Gesundheit geführt hat [2–4] . Seine Pathogenese und pathologischen Prozesse sind kompliziert und stehen in engem Zusammenhang mit Entzündungen, Gerinnungsstörungen und Immunstörungen [5–7]. Unter ihnen gilt die unkontrollierte Entzündungsreaktion als einer der Erreger der Sepsis. Frühe Entzündungsreaktionen setzten eine große Anzahl proinflammatorischer Zytokine freientzündungshemmende Zytokine[8]. Allerdings besteht bei Sepsispatienten häufig ein Ungleichgewicht zwischen proinflammatorischen und antiinflammatorischen Faktoren und die Entzündungsreaktion ist außer Kontrolle, was die Entwicklung einer Sepsis beschleunigt [9–11]. Darüber hinaus geht eine Entzündung häufig mit einer Gerinnungsstörung einher und beeinflusst dann die Entstehung einer Sepsis. Die verminderte Expression von Gewebefaktoren kann den exogenen Gerinnungsweg nicht initiieren, was zu Gerinnungsstörungen führt und die Entstehung von Gefäßschäden beschleunigt [12–14].
Eine akute Nierenschädigung ist in der Regel durch einen raschen Rückgang der Nierenfunktion gekennzeichnet, der Folgendes zur Folge hat:akutes Nierenversagenund andereOrganversagenin schweren Fällen.Akute Nierenschädigungkann durch eine Vielzahl von Faktoren verursacht werden, darunter Drogenkonsum, Ischämie/Reperfusion und Infektion [15–17]. In den letzten Jahren haben die Häufigkeit und Mortalität akuter Nierenschäden zugenommen, und die Sterblichkeitsrate schwerer akuter Nierenschäden kann mehr als 50 % erreichen. Die Erreger einer akuten Nierenschädigung hängen häufig mit ihren pathogenen Faktoren zusammen. Während einer Organtransplantation, einem akuten Blutverlust oder einem toxischen Schock ist die Ischämie-/Reperfusionsschädigung zu einem wichtigen pathogenen Mechanismus geworden, der zu einer akuten Nierenschädigung führt [18]. Als wichtigstes Ausscheidungsorgan des menschlichen Körpers werden Medikamente häufig über die Niere ausgeschieden, und ihr massiver Gebrauch oder sogar Missbrauch führt wahrscheinlich zu einer drogeninduzierten akuten Nierenschädigung [19]. Eine mit akuter Nierenschädigung komplizierte Sepsis bezieht sich auf eine akute Nierenparenchymschädigung, die bei Patienten mit Sepsis auftritt. Andere Faktoren, die Nierenschäden verursachen können, wie Nierenischämie oder nephrotoxische Substanzen, sind ausgeschlossen. Akute Nierenschäden kommen bei Menschen mit Sepsis recht häufig vor und die Häufigkeit steigt mit der Schwere der Sepsis. Epidemiologische Daten zeigen, dass die Inzidenz einer akuten Nierenschädigung bei Patienten mit mittelschwerer Sepsis, schwerer Sepsis bzw. septischem Schock 19 %, 23 % bzw. 51 % beträgt. Angesichts der hohen Inzidenz von Sepsis kann davon ausgegangen werden, dass die Zahl der durch Sepsis verursachten Fälle akuter Nierenschäden recht alarmierend ist. Im Vergleich zu anderen Ursachen führt eine Sepsis zu einer instabileren Hämodynamik einer akuten Nierenschädigung; Der Anteil der Patienten, die Vasopressoren und mechanische Beatmung benötigen, ist höher, der Schweregrad der Erkrankung ist höher und letztendlich ist auch die Mortalität deutlich erhöht. Verzögerungen bei frühen Diagnosen und Behandlungen führen zu einem kontinuierlichen Fortschreiten der Krankheit, und eine anhaltende Minderdurchblutung führt zu einer akuten tubulären Nekrose, die sich schließlich zu irreversiblen Schäden entwickelt, sogar bis zum Tod des Patienten [20–22].
Klinisch werden frühe Diagnosen häufig anhand von Kreatinin- und Urinvolumenbestimmungen nach internationalen Richtlinien gestellt, es ist jedoch meist nicht möglich, rechtzeitig und vollständig eine korrekte Diagnose zu stellen. Mit der kontinuierlichen Weiterentwicklung der Bilduntersuchung wird die Ultraschallbilduntersuchung nach und nach bei der klinischen Diagnose einer Sepsis mit komplizierter akuter Nierenschädigung eingesetzt. Klinikpersonal ist oft nicht in der Lage, mit bloßem Auge quantitative und genaue medizinische Informationen aus Ultraschallbildern zusammenzufassen. Medizinische Bildanalysen und Verarbeitungstechnologien lösen dieses Dilemma und werden zu wichtigen Helfern klinischer Diagnosen [23–25]. Der Zweck weiterer Analysen und Abklärungen besteht darin, Ärzten dabei zu helfen, die Krankheit genauer und schneller zu diagnostizieren und tiefergehende Informationen über die Krankheit zu erhalten. Ein Faltungs-Neuronales Netzwerk, eine Art tiefes neuronales Netzwerk, besteht aus einer tieferen Gitterstruktur, die Bilddaten als visuelle pathologische Merkmale lesen und Merkmale finden kann, die das menschliche Auge nicht lesen kann. Dies ist für die Ultraschalldiagnostik einer Sepsis sehr wichtigkompliziert mit akuter Nierenschädigung.
Diese Studie sollte den diagnostischen Wert einer schweren Sepsis mit Komplikationen analysierenakute Nierenschädigungunter einem auf tiefem Lernen basierenden Faltungs-Neuronalen Netzwerk, um eine bestimmte Referenz für die klinische Ultraschallbilddiagnose bereitzustellen.
2. Materialien und Methoden
2.1. Studienobjekte.
In dieser Studie wurden 50 Patienten mit schwerer Sepsis, die mit einer akuten Nierenschädigung einhergingen und vom 10. Januar 2020 bis zum 10. Mai 2021 ins Krankenhaus eingeliefert wurden, als Versuchsgruppe ausgewählt. Entsprechend der Alters- und Geschlechtsverteilung dieser Patienten wurden auch 50 gesunde Freiwillige als gesunde Kontrollgruppe ausgewählt. Diese Studie wurde von der Ethikkommission des Krankenhauses genehmigt, und die Familien der Patienten wurden über diese Studie informiert und unterzeichneten eine Einverständniserklärung.
Die Einschlusskriterien waren wie folgt. Zunächst wurde bei den Patienten gemäß den diagnostischen Kriterien eine Sepsis mit komplizierter akuter Nierenschädigung diagnostiziert. Zweitens hatten die Patienten Einverständniserklärungen unterzeichnet. Drittens litten die Patienten nicht an anderen schwerwiegenden Organerkrankungen odererbliche Krankheiten. Viertens wurden die Patienten nicht auf Kontraindikationen untersucht.
Die Patienten, die die Ausschlusskriterien erfüllten, hatten schwere Allergien, andere schwerwiegende Grunderkrankungen und eine Vorgeschichte chronischer Nierenschäden. Darüber hinaus nahmen die Patienten über einen langen Zeitraum Diuretika ein.
Das Kriterium für die Aussetzung und den Ausschluss enthielt zwei Anforderungen. Erstens konnten die Patienten normalerweise keine Ultraschalluntersuchungen durchführen. Zweitens wurden Patienten, die sich nicht an die Behandlung hielten, zur Indexbewertung weiterverfolgt.
Für gesunde Freiwillige der Kontrollgruppe war das Einschlusskriterium das gleiche wie für Patienten mit Sepsis mit komplizierter akuter Nierenschädigung (2.-4.). Das Ausschlusskriterium war das gleiche wie bei Patienten mit komplizierter Sepsisakute Nierenschädigung(2.-4.). Patienten mit akuter Nierenschädigung und Sepsis wurden aus der Studie ausgeschlossen.
Abbildung 5: Vergleich von Genauigkeit, Spezifität und Empfindlichkeit zwischen den drei Algorithmen und professionellen Ärzten. Hinweis: ∗ stellte signifikante Unterschiede dar: P < 0:05.
2.2. Ultraschallbilduntersuchungen.
Bei 100 Patienten wurden gleichzeitig Ultraschallbilduntersuchungen durchgeführt. Die Patienten sollten mit leerem Magen untersucht werden, vor der Untersuchung nicht viel Wasser trinken und in Rückenlage und Linksseitenlage auf der Untersuchungsliege liegen. Für eine Nierenultraschalluntersuchung wurden ein Ultraschallsystem und eine konvexe 3,5-MHz-Array-Sonde eingesetzt. Die Sonde wurde in der hinteren Achsellinie platziert und die Position und der Winkel der Sonde wurden angepasst, um das größte koronale Bild der Niere zu erhalten. Die Sonde wurde im koronalen Abschnitt um 90 Grad gedreht und nach oben und unten bewegt, um den Winkel des Schallstrahls anzupassen. Anschließend wurde das Querschnittsbild der Niere erhalten. Wenn sich die Patienten in Bauchlage befanden, wurde die Sonde zur Längsabtastung unter die Rippen des Rückens gelegt. Mit der Sondenmarkierung in Richtung Kopf konnte die Sagittalebene der Niere beobachtet werden.
2.3. Faltungsmodelle für neuronale Netze.
Die Strukturmodelle des Faltungs-Neuronalen Netzwerks Dense-Net121 vervollständigen Klassifizierungsprozesse durch Faltung, maximale Pooling-Schichten, dichte Module bzw. vollständige Verbindungsschichten. Aufgrund der engen Verbindung zwischen verschiedenen Ebenen konnte das DenseNet121-Modell Merkmale jeder Ebene absorbieren und nutzen und Probleme des Verschwindens des Gradienten bis zu einem gewissen Grad überwinden. Das spezifische Gitterstrukturmodell von DenseNet121 ist in Abbildung 1 dargestellt.
Im Strukturmodell des Faltungs-Neuronalen Netzwerks GoogLeNet wurde die Anzahl der Netzwerkschichten deutlich erhöht, es gab jedoch nur wenige Parameter. Es gab ein integriertes Inception-Modul, das die Pooling-Schicht und die Faltungsschicht kombinieren konnte, um eine schnelle Rechengeschwindigkeit zu erreichen und mehr Funktionsinformationen zu erhalten. Darüber hinaus gab es eine große Anzahl von Gründungsfilialen. Ihre Strukturen und Eigenschaften waren unterschiedlich und die endgültigen Berechnungsergebnisse waren genauer. Das Startmodul von Goo gLeNet ist in Abbildung 2 dargestellt.
ResNet war ein hervorragendes Objekterkennungs-, Bildklassifizierungs- und Segmentierungsmodell, das in Faltungs-Neuronalen Netzen weit verbreitet war. Im ResNet-Modell traten Reststrukturen auf, die die Optimierung erleichterten. Im Ausbreitungsprozess neuronaler Netze verschwand der Ausbreitungsgradient aufgrund des Auftretens der Rückausbreitung allmählich. Da das Vorhandensein von Reststrukturen dieses Problem löste, konnten die Gradienteninformationen bei der umgekehrten Übertragung von Reststrukturen leichter übertragen werden, und das Netzwerk mit Restmodulen würde eine höhere Identifikationsgenauigkeit erhalten. Gleichzeitig übernahm das ResNet-Residuennetzwerkmodell eine große Anzahl relativ standardisierter Methoden des Enzymtrainings. Das spezifische Strukturmodell ist in Abbildung 3 dargestellt.
Abbildung 7: ROC-Kurvenergebnisse der drei Algorithmen und Diagnosen durch professionelle Ärzte.
ResNet verbesserte die Anzahl der Netzwerkschichten durch Reststrukturen und vereinfachte die Lernobjekte, um die Trainingsgeschwindigkeit und die Genauigkeit der Parameter zu verbessern. Es wurde vorgeschlagen, den Anfangswert xi einzugeben und das Gewicht auf a zu setzen. Der Bias wurde durch c dargestellt, yi war die Zweigsumme und seine Berechnungsfunktionen wurden in den folgenden Gleichungen dargestellt:
Unterstützender Service von Wecistanche – dem größten Cistanche-Exporteur in China:
E-Mail:wallence.suen@wecistanche.com
WhatsApp/Tel:+86 15292862950
Weitere Spezifikationen finden Sie im Shop:
https://www.xjcistanche.com/cistanche-shop
