Development and evaluation of automated organ segmentation models for abdominal ultrasound in injured children
本研究表明，深度学习模型（尤其是 EVIT U-Net）能够有效且快速地自动分割儿科创伤超声中的关键腹部器官，具有高准确度和经专家验证的可接受性，从而克服了手动分割的瓶颈，以加速大规模数据集的开发。
原始论文采用 CC BY 4.0 许可（https://creativecommons.org/licenses/by/4.0/）。 这是一篇未经同行评审的预印本的AI生成解释。这不是医疗建议。请勿根据此内容做出健康决定。 阅读完整免责声明
当一名儿童因严重受伤被送往医院急诊室时，医生需要迅速判断是否存在内出血。检查最快的方法之一是床边超声检查，这是一种无痛扫描，利用声波生成人体内部的动态图像。在创伤护理中，这种特定的检查被称为创伤超声聚焦评估。它涉及医生移动手持设备在儿童腹部上方，以观察肝脏、脾脏和膀胱周围是否存在液体。虽然这一工具至关重要，但检查的质量完全取决于持机人员的技巧以及他们捕捉到的图像清晰度。有时，图像会变得模糊，或者医生漏掉某个部位，导致难以确定孩子是否安全。为了改进这一点，研究人员正在教计算机自动理解这些图像，但首先，计算机需要学习器官看起来是什么样子的。这需要教会机器识别肝脏、肾脏和其他结构的边界，这项任务通常需要人类专家为每一张单独的图像进行数小时的手动标注。
加州大学旧金山分校的一个研究小组致力于解决这个问题，他们建立了一个计算机系统，能够自动寻找并勾勒出受伤儿童腹部扫描中的六个关键器官。他们重点关注了膀osa（膀胱）、肾脏、肝脏、脾脏、脊柱以及横膈膜（辅助呼吸的肌肉）。这些结构是医生判断一次检查是否完整且准确的标志。该团队收集了200段来自大型创伤中心接受过伤情治疗的儿童超声视频剪辑。随后，他们让专家医生在这些视频的数千个单独帧上仔细绘制每个器官的轮廓，从而创建了一套计算机可以学习的“地面真值”（ground truth）示例。利用这些示例，研究人员训练了四种不同类型的人工智能模型来执行同一任务。这些模型涵盖了从简单的、成熟的设计到使用先进数学技术同时关注图像不同部分的更新、更复杂的系统。
研究人员测试了每种计算机模型在预测正确轮廓方面与专家人工绘制结果的匹配程度。他们发现计算机在执行这项工作时表现得相当出色，尤其是在形状清晰、易于辨认的肾脏和膀胱方面。平均而言，计算机生成的轮廓与人类专家的轮廓具有高度的重合度。其中一个特定的模型表现最为优异，它将标准设计与一种用于关注重要细节的新型注意力机制相结合。该模型能以极高的准确度识别肝脏、脾脏和肾脏，并且处理单张图像的速度极快，耗时不到一秒。该系统在处理横膈膜和脊柱时遇到了一些困难，因为它们在超声图像中较薄且难以看清，但即使对于这些较难的部分，计算机也产生了有用的结果。
为了测试这项技术在现实世界中的应用效果，研究小组将表现最好的模型展示给它从未见过的超声剪辑，其中包括来自儿童和成人的扫描图像。四位独立的专家对计算机的工作进行了评审，查看轮廓是否出现在正确的位置，以及图像质量是否足以让医生信任。专家们发现，计算机在绝大多数剪辑中都成功定位了器官，根据器官的不同，成功率从大约四分之三到接近全部不等。该系统在膀胱和肝脏方面特别可靠，在成人组中达到了近乎完美的得分，在儿童组中也表现出极高的得分。研究人员指出，当计算机失败时，通常是因为原始图像过于模糊或拍摄质量不佳，而不是因为计算机产生了困惑。这表明该技术足以应对急诊室扫描中混乱且不可预测的现实情况。
研究还显示，更大、更复杂的计算机模型并不一定更好。那个经过大规模数据库（包含来自其他人的280,000张超声图像）预训练的最先进模型，其表现并没有比简单的定制模型显著提升。事实上，更简单的模型速度更快，且所需的计算能力更少，这使其在繁忙的医院中更具实用性。这一发现表明，对于这项特定任务而言，模型的架构设计比其预训练所使用的训练数据量更为重要。研究人员总结道，这一自动化系统代表了一个重要的进步。通过让计算机承担勾勒器官这类繁琐的工作，医生和研究人员可以构建更大的、更好的数据集，从而训练未来的工具，这些工具或许有一天能自动检测出血，或告知医生某次检查是否受到技术限制。虽然该系统尚未准备好取代人类的判断，但它为标准化和提高受伤儿童的护理质量提供了一种强大的新途径。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。