检索历史 清除

摘要目的<br>　　随着医学科学技术的发展，外科手术种类及总量增加，外科相关性贫血呈增长的趋势。贫血可导致组织携氧能力下降、认知功能下降等相关并发症。大量研究证明贫血增加围术期并发症的发生率和死亡率。尽早识别贫血患者，评估贫血严重程度，提前进行干预，可以为临床决策提供支持，减少相关并发症的发生率，节约医疗资源及费用。现有的血红蛋白（hemoglobin,Hb）监测方法由于等待结果时间长、成本高、需要专业人员采血、设备不可移动等原因限制其在贫血筛查，围术期监测，战现场急救，急救转运等环境的应用。近年来，基于机器学习的无创贫血监测方法显示出巨大的潜力。本研究拟通过智能手机拍摄患者睑结膜图像，将图像与患者实际Hb浓度关联并进行图像分析，利用机器学习算法建立Hb监测模型，为快速、动态、无创的Hb监测提供一种新的方法。<br>　　研究方法<br>　　前瞻性收集和分析2021年3月18日到4月26日陆军军医大学第一附属医院麻醉科284例择期手术患者的眼睛图像、实验室Hb浓度及一般资料。所有眼睛图像均充分暴露睑结膜，在手术室环境中由智能手机拍摄。收集的1065张图像依据对应的Hb浓度进行标记。本研究经过医院委员会批准（KY2021060），并在中国临床试验注册中心登记注册，注册号：ChiCTR2100044138。<br>　　1.基于睑结膜图像和深度学习算法的贫血监测技术的建立<br>　　建立两个任务用于模型性能评估，任务1的目的是预测患者的贫血状态（Hblt;12g/dl）；任务2的目的是预测轻度贫血（Hblt;10g/dl）。基于不同的Hb阈值分类标签将图像标记为正常和贫血。利用人工套索的睑结膜图像作为输入，拟合InceptionV3、ResNet50V2、EfficientNetV2B0、DenseNet121等四种深度学习算法构建贫血分类预测模型，并比较四种模型对贫血监测应用的价值。计算受试者工作特征曲线（receiveroperatingcharacteristiccurve，ROC曲线）下面积（Areaundercurve,AUC）、准确性、敏感度、特异性、阳性预测值（positivepredictivevalue,PPV）、阴性预测值（negativepredictivevalue,NPV）评估模型性能。<br>　　2.基于语义分割和深度学习的血红蛋白浓度监测技术的建立<br>　　鉴于上一章研究中人工裁剪睑结膜图像及分类研究的局限性，本章中以眼睛图像作为输入，应用maskR-CNN深度学习算法进行睑结膜区域自动识别，MobileNetV3深度学习算法行Hb浓度监测，建立联合算法模型。同时，利用眼睛图像、手动选择的睑结膜图像以及分别从上述两种图像中提取的特征作为输入，基于传统机器学习算法、单MobileNetV3算法建立Hb浓度监测模型。比较联合算法模型和其他算法模型之间的性能差异。通过R2、解释方差得分（explainedvariancescore,EVS）和平均绝对误差（meanabsoluteerror,MAE）评估模型性能。<br>　　研究结果<br>　　1.基于睑结膜图像和深度学习算法的贫血监测技术的建立<br>　　任务一中，InceptionV3、ResNet50V2、EfficientNetV2B0、DenseNet121四种模型的AUC分别为：0.709（95%CI:0.643~0.769）、0.661（95%CI:0.594~0.725）、0.670（95%CI:0.603~0.733）、0.695（95%CI:0.628~0.756）；InceptionV3的AUC、准确性、敏感性、特异性、PPV、NPV分别为：0.709、69.48%、75.00%、41.21%、70.73%、62.89%。任务二中，各模型的AUC分别为：0.729（95%CI:0.664~0.788），0.758（95%CI:0.695~0.814），0.769（95%CI:0.707~0.824），0.770（95%CI:0.708~0.825）；EfficientNetV2B0的AUC、准确性、敏感性、特异性、PPV、NPV分别为0.769、80.28%、32.08%、90.06%、73.91%、96.25%。基于最优算法，开发了一个网络服务应用程序（http://150.158.58.4）用于贫血的在线预测。<br>　　2.基于语义分割和深度学习的血红蛋白浓度监测技术的建立<br>　　建立的Hb浓度监测模型中，基于眼睛图像作为输入的maskR-CNN和MobileNetV3联合算法模型实现了0.503（95%CI，0.499~0.507）、0.518（95%CI，0.515~0.522）和1.6g/dl（95%CI，1.6~1.6）的R2、EVS和MAE，这与使用人工套索的睑结膜图像作为输入的MobileNetV3算法的模型性能相似（R2:0.509，EVS:0.516，MAE:1.6g/dl）。<br>　　研究结论<br>　　1.利用睑结膜图像基于深度学习算法建立的分类预测模型对贫血的监测效果较好，InceptionV3模型在任务一中的综合预测性能最优，EfficientNetV2B0模型在任务二中的表现更好。<br>　　2.开发了一种基于图像及深度学习的无创、动态血红蛋白浓度监测模型，可在外科手术期间、贫血筛查、伤病员救治现场、伤病员转运等环境下对Hb进行快速、无创和动态监测。拟合的自动语义分割深度学习算法可以实现睑结膜区域的自动识别。<br>　　3.模型的图像获取工具为智能手机，设备可移动性强，不需要采集血样，实现了Hb监测的无创性；直接将图像作为模型输入，不需要人为裁剪睑结膜、提取图像特征，实现了Hb监测动态化。