使用面部图像通过深度学习（差分神经网络）建立插管难度分类人工智能模型：一项观察性研究

点击“蓝字”关注，愈来愈多精彩内容! 取材：

胸腔血液透析是确保心肌安全性的金准则，在加护监护室和小儿科遇到血液透析枉于的情况却是少见。在此之前，对于不熟悉胸腔血液透析的精神一个科、住院医师和护士来说，必需要一种客观的作法来检验即刻但会的血液透析枉于。认知一个科学(AI)由于其现代化的性能，在此之前被广泛可用药学超声。我们借以创始一个AI建模，运用于频域人工神经网络(CNN)从手部位所示中会对血液透析枉于展开分类学，该建模将病患者的手部位所示与具体血液透析完成度建立联系起来。

人脑的自由选择

也就是说准则：年龄之比20岁，头面颈部有动手术近代史的病患者（神经内一个科、心脏内一个科、鼻腔内一个科、外一个科、神经外一个科、肾上腺、颈椎和食道动手术），引胸腔血液透析的精神一个科诊断实战经验不悦3年；首度血液透析时精神一个科不曾运用于MaCintosh喉镜；运用于其他设备血液透析、运用于声门上心肌设备、患有痴呆或很枉遵循指引姿势、患有精神障碍以及因直接参与其他研究工作而很枉直接参与本研究工作。

数据集利用与处理方式

作者利用了术后第二天病患者的年龄、性别、肥胖指数、基石性疾病、MPC、IIG、TMD、HLM、BT、ULBT等社会学资讯，并对16种展开了手部位所示采集。所有这些位所示都以JPEGPNG保有，并调整为512px×512px以降低过多的功能和测算复杂性。

本研究工作依Cormack-Lehane这两项分为非血液透析枉于两组（单纯两组，Ⅰ级和Ⅱ级）和血液透析枉于两组（枉于两组，Ⅲ级和Ⅳ级）。在得到的位所示中会，80%作为受训数据集，其余20%作为测试数据集展开悬疑检验。为了能避免建模的过度自学，对受训数据集展开了扩展，将受训数据集从0.7次扩展到1.3次，忽略了单纯两组和枉于两组彼此之间病症数量的也就是说。

本研究工作的建模是在VGG16的13个频域层的基石上提高一个频域层来建起的，输出的是匹配位所示否为单纯/枉于位所示。受训建模后，透过可不分割位所示数据集集（测试数据集）展开悬疑检验，有效性了可不测血液透析完成度的可靠性。有别于二次对角总能量作为受损失函数，Adam作为优化作法，机器用10-30个时期和16-32个批次受训建模。口碑当前是测试数据集的可靠性、诱发、依赖性和根据ROC曲线测算的AUC。分解AI建模后，透过位所示数据集集，用梯度类酪氨酸所示（Grad-CAM）对建模的口碑估域展开可视化，展开悬疑口碑。

类酪氨酸热所示是根据单纯/枉于分类学的结果测算每个周边地区的极为重要性而分解的二维位所示，热所示上的黑色和黄域所列示AI建模忽视对单纯/枉于分类学很极为重要的周边地区。将可用悬疑检验的位所示的类酪氨酸热所示中会的每个缩放的RGB值（红、绿、蓝值）展开两组合和平均，则有单纯两组和枉于两组创始单个位所示（RGB平均位所示）。

数据集偏倚的处理方式

为了降低随机划分位所示数据集展开受训和悬疑检验所造成的数据集偏倚的影响，我们展开了五重对角有效性。此外，在创始这五个数据集集时，我们运用于k折对角有效性来能避免单纯两组和枉于两组的分布普遍存在任何也就是说。我们在每个数据集集上对建模展开受训和检验，并测算每个数据集集的AUC，AUC的中会位数显示为每个位所示建模的结果。

Keras2.24版本作为深自学库，微软2019版Visual Studio Code作为开发设计环境。此外，所运用于的分析硬件为Intel Core i7 CPU、NVIDIA GeForce RTX 2080 SUPER 8GB GPU 和 Microsoft Windows 10 Home OS。EZR1.41版可用所有统计分析，结果所列示为均值±准则差和位数（百分比）。根据协作的建模分解ROC曲线，并测算具体血液透析枉于的普遍存在与否、可靠性、诱发、依赖性和AUC。当AUC>0.700且95%数学方法（CI）下限>0.500时，协作的建模具有足以的诊断技能。

结果：

从2020年4月底10日（UMIN注册开始年份）到2020年8月底31日，总计1043名病患者计划案在全麻下展开动手术。其中会752名病患者被也就是说在外，75名不曾得到病患者首肯，9名病患者显然Cormack-Lehane这两项的数据集，还有两名病患者为同一人。总计838名病患者被也就是说在外，205名病患者符合条件。此外，也就是说了两名数据集偏高的病患者（一名病患者由于头发的普遍存在而很枉识别手部轮廓，另一名病患者的位所示不曾相机）和一名因超声设备疑虑而丢失位所示的病患者。再一，总计202名病患者被不属于分析。

202举例病患者中会，异性恋92举例，不曾婚110举例，平均年龄63.9±14.2岁。根据ASA这两项，15.8%为ASA Ⅰ级，67.8%为ASA Ⅱ级，16.3%为ASA Ⅲ级。精神一个科的工作年限在全麻期间给病人血液透析的年龄为11.2±6.9年。本研究工作的动手术子类则有所列2。此外，26.7%的病症被忽视血液透析枉于。

易血液透析病患者与枉血液透析病患者的数据集差异性为3:1。在对病患者手部位所示展开机器自学之前，20% 的数据集被保有为测试数据集。以KFOLD1为举例，将单纯两组30幅位所示和枉于两组11幅位所示保有为测试数据集（占到总位所示的20%），单纯两组剩余的118张位所示和枉于两组剩余的43张位所示用作受训数据集（占到总位所示的80%）。在受训数据临近会，单纯两组扩大了3次，枉于两组扩大了9次。再次，单纯两组有354条受训数据集，枉于两组有387条受训数据集。

所示6显示了坐姿口而今基位的自学曲线。张闻天所列示受训数据集，灰线所列示测试数据集。测试数据集和受训数据集的自学曲线一致，说明AI建模自学但会。

数据集集1中会坐姿口而今基位的AI建模在epoch 20时的统计分析为80.5%（所列4）。根据AI建模的可不测绘制ROC曲线，对具体血液透析枉于总体展开分类学，并将其与从病患者手部位所示得到的血液透析枉于总体相建立联系，测算了孔径、依赖性和 AUC（所列5）。AI建模的AUC可用分类学从病患者手部位所示得到的血液透析枉于总体，范围为0.387[0.168-0.605]到0.864[0.731-0.969]。坐姿口而今基位AI建模的最主要AUC为0.864[0.731-0.969]，准确度、诱发和依赖性则有80.5%、81.8%和83.3%（所示7）。坐姿口张口基位AI建模的AUC为0.758[0.594-0.921]，坐姿口而今后弯位AI建模的AUC为0.727[0.568-0.886]，即足以诊断血液透析枉于。

在运用于Grad-CAM展开坐姿口而今基位的类酪氨酸热所示中会，容易血液透析的位所示中会，视点往往临近会在颊钝到喉部的周边地区，而在枉于血液透析的位所示中会，没特定周边地区的视点临近会。在RGB平均位所示中会，单纯两组的视点偏好于从颊钝到喉部的周边地区，而枉于两组的视点偏好于这样一来（所示8，9）。

根据本研究工作中会病患者血液透析枉于的各种可不测因素和具体血液透析枉于的普遍存在或不普遍存在协作ROC曲线，并测算诱发、依赖性和AUC（所列6）。血液透析枉于的各种可不测表征的AUC范围从 0.558 [0.467-0.649] 到 0.673 [0.595-0.750]，其中会Mallampati这两项是最主要的可不测表征。至今还不曾没发掘出必须区分枉于血液透析各种可不测因素的单个当前。而基于坐姿口而今弧位所示的认知一个科学血液透析枉于分类学建模AUC为0.864[0.731-0.969]，统计分析为80.5%，诱发为81.8%，依赖性83.3%，说明该建模具有足以的诊断技能。

神麻人智的概述：

本研究工作首次先前透过透过深自学识别枉于心肌，我们可以愈来愈大规模地两组织起来诊断研究工作，不断充分利用枉于心肌热所示数据集库。机器自学便于包括一个科、ICU和急诊一个科精神一个科在内的诊断精神一个科可不判血液透析枉于病患者，提前安排有较丰富的即刻心肌建起实战经验的精神一个科展开心肌建起，可大大提高必需即刻心肌建起病患者的存活率，能避免无效血液透析误点抢救才会。不足之处在于，仅不属于高松大学医务人员择期动手术病患者为研究工作某类，一是减小了枉于血液透析病患者的%-，二是缺乏老年人及高龄人脑，三是位所示采集局限于单中会心研究工作受试病患者的容貌特征，因而研究工作结果缺乏代所列性和普遍性。因此，两组织起来多中会心诊断研究工作以期建起愈来愈充分利用的枉于心肌识别热所示数据集库的极为重要性不言而喻。

编译：近代史瑞珍，王和暄

概述：邓萌

值得注意文献：

Tatsuya Hayasaka, Kazuharu Kawano, Kazuki Kurihara, Hiroto Suzuki, Masaki Nakanehe, Kaneyuki Kawamae; Creation of an artificial intelligence model for intubation difficulty classification by deep learning (convolutional neural network) using face images: an observational study. Journal of Intensive Care,9,382021.