mile米乐中国官方网站 开发出人工智能，可自动检测从超声波诊断视频中高精度、高速发现肺部病变所需的特征

米乐m6官方网站（以下简称“AIST”）、工程测量标准研究部、材料强度标准研究组、首席研究员Takeyoshi Uchida、首席研究员Takemi Tanaka和自治医科大学的Akihiro Suzuki教授成功利用AI自动检测胸膜的位置和运动。

利用超声波诊断肺部病变被称为肺回波，它在肺部诊断中被认为非常有用，近年来引起了人们的关注。然而，肺部超声检查需要获得其他器官超声诊断所不具备的独特知识，并且临床医生短缺，这是阻碍其广泛使用的因素。本次开发的技术是深度学习应用图像识别肺超声检查可以高精度、高速度地自动检测胸膜的位置和运动。通过快速向临床医生提供检测肺部病变所必需的特征，可以帮助防止发现结果被忽视。未来，临床医生的负担将会减轻。急性期有望提高现场存活率，也可应用于对经验不足的临床医生的支持和教育。

该技术的详细信息将于 2024 年 7 月 24 日公布。太阳光发布

肺回波是一种针对肺部的超声诊断方法，基于肺周围的膜（胸膜）和源自胸膜的膜神器超声诊断方法可能会显示实际不存在的称为伪影的虚拟图像。伪影可能会导致其他器官超声诊断的误诊，因此已经进行了改进以消除它们。肺部超声心动图有一种特殊情况，其中这些伪影被积极地用作诊断肺部病变的线索。能够进行肺超声心动图检查的临床医生短缺，因为需要适当的经验和指导员才能准确读取肺超声心动图的结果，其中包含伪影和真实图像的混合物。这增加了经验丰富的临床医生的负担，也是阻碍肺超声心动图广泛使用的因素。

肺部回波是一种可以在呼吸困难等紧急情况下进行现场实时诊断的工具，而无需X射线或CT扫描，这会给患者带来沉重的负担。我们在本研究中重点关注的气胸是指肺部的空气通过胸膜上的孔漏出并积聚在胸膜（胸膜腔）中，导致肺部瘪气并导致呼吸困难的情况，这种情况有时需要及时治疗。即使进行肺部超声心动图检查的人经验不足，如果他们能够在进行医疗治疗的同时利用人工智能（AI）系统实时获取诊断提示，也会导致急性期生存率的提高。此外，通过应用人工智能，可以防止被忽视的发现，减轻经验丰富的临床医生的负担，并通过将其用作教育软件来提高人力资源培训的效率。

这次，我们开发了一种技术，通过应用人工智能学习方法之一的深度学习，高精度和快速地自动检测胸膜的位置和运动，这是与气胸相关的基本发现。深度学习需要高质量且足够数量的训练数据。在这项研究中，我们使用了自治医科大学铃木明宏教授提供的超声诊断视频，他专门从事急性肺超声心动图检查。此外，这项研究是根据道德标准（机构和国家准则）和赫尔辛基宣言进行的。本研究得到了东海大学临床研究伦理审查委员会的批准（ID：21R-048）。

这项研究是深度学习的一种卷积神经网络 (CNN)是肺部超声诊断的重要指标胸膜线和肺部滑动当我们在胸腔（由一根胸骨、12 块胸椎和 12 根肋骨组成的骨骼）内呼吸时，肺部不断扩张和收缩，胸腔是一个类似鸟笼的结构。为了防止呼吸运动时肺部表面摩擦产生疼痛，（1）胸腔内部和（2）肺部表面各自包裹着一层光滑的“胸膜”（壁层胸膜和脏层胸膜），两者之间相互摩擦，（3）少量胸腔积液像润滑剂一样存在（图1）。胸膜线是胸廓内侧和肺表面紧密接触的两片胸膜（①、②）和胸腔积液（③）一起观察的地方。肺滑动是指随着肺部扩张和收缩，肺部表面的胸膜随着呼吸运动而横向移动的现象。如果有横向移动，属于正常现象；如果没有横向移动，则强烈怀疑气胸。

我们的目的是评估 CNN 自动检测胸膜线的准确性F值F值是同时评价精度（正例中预测正确率）和召回率（正例中预测正确率）的指标，越接近1，预测准确率越高。 F值一般用作评价位置检测准确性（本例中为检测胸膜线位置的准确性）的方法。临床医生判断 CNN 对胸膜线的自动检测是否正确。此次使用的超声诊断视频的F值为0988，证实可以高精度检测。图 2 中所示的红色区域是使用 CNN 的胸膜线检测图像的示例。

为了提高肺部滑动的自动检测速度，我们构建了一个程序，将视频中肺部滑动的横向运动转换为二维图像，然后尝试使用 CNN 进行检测（图 3）。如图 3 所示，针对肺部回波视频的每一帧切出胸膜线区域，并垂直排列以创建二维图像。二维图像的纵轴显示时间的流逝，CNN 根据模式差异确定是否存在肺部滑动。如果有肺滑动，则为斑纹，若无则为直线纹。我们认为直接使用视频很难用于临床，因为自动检测需要时间，因此我们尝试了上述措施。如果采用二维图像方法，使用性能一般的PC，几秒钟即可完成检测。在考虑未来的商业化时，程序运行的轻便性是一个优势。评价指标为曲线下面积(AUC)。 AUC通常用于评估是否存在某种现象的分类性能（在本例中是评估是否存在肺滑动），该指标越接近1，预测越准确。结果，临床医生判断的 AUC 高达 0894。这个评估值表明我们构建的AI可以高精度预测胸膜的位置和运动。这些结果还可以自动检测肺炎和肺水肿等特征，其中胸膜的位置和运动以及由此产生的伪影用于诊断。

将来，我们会考虑自动检测肺炎和肺水肿的发现。另外，致力于肺部回声超声波探头通过优化超声探头的频率和形状，超声诊断图像变得更加清晰，从而提高人工智能的检测精度。我们相信，通过未来进行这些研究，我们将增加其在临床环境中使用的可能性，并帮助解决与肺超声心动图相关的问题。

已出版的杂志：太阳光
论文标题：使用卷积神经网络自动检测肺部超声检查中的胸膜线和肺滑动
作者：内田武吉、田中幸美、铃木昭宏
DOI：https://doiorg/101016/jheliyon2024e34700

深度学习

也称为深度学习。一种机器学习方法，允许计算机学习人类自然执行的任务。通过训练足够多的数据，AI可以自动从数据中提取特征，这是支撑当前AI发展的技术。[返回来源]

急性期

这是疾病的开始阶段，也是症状迅速变化的时期。可能需要检查和治疗，在某些情况下可能需要手术。[返回来源]

神器

由于超声波的物理特性或超声波图像的构建方式而实际上并不存在的图案或图像。[返回来源]

卷积神经网络 (CNN)

模拟人脑的神经网络之一。近年来由于其优异的预测性能而引起人们的关注，主要是在图像识别领域。[返回参考源]

胸膜线

胸膜有两种类型：①肺部的表面侧，②胸部的内层，而存在于它们之间的③生理性胸腔积液起着润滑剂的作用，使胸部内的肺部在呼吸时顺利扩张和收缩。在图像中，①到③在肋骨正下方的深度处共同显示为高强度水平线。[返回来源]

肺滑动

这是一项重要发现，显示了肺表面胸膜的运动，可用于气胸的诊断。肺部表面的胸膜随着呼吸运动而横向移动的发现。正常肺部可以看到横向运动，但气胸时只能观察到胸腔内侧的胸膜，相当于鸟笼，看不到运动。[返回来源]

F值

一种评估精确度（预测的阳性结果实际为阳性的比例）和召回率（正确预测为阳性的结果占实际阳性结果的比例）的指标。由于精确率和召回率存在权衡关系，因此它们是通过调和平均值计算的。调和平均值是精确率和召回率的每个值的倒数的平均值，然后是计算值的倒数。[返回来源]

AUC

纵轴绘制真阳性率（TPR：正确预测的阳性百分比），横轴绘制假阳性率（FPR：错误预测为阳性的阴性百分比）ROC 曲线（接受者操作特征曲线）区域如下。[返回来源]

超声波探头

与患者直接接触的超声诊断设备的一部分。从超声波探头发射的超声波在患者体内反射，并且反射波被接收。[返回来源]

ROC 曲线

用于计算 AUC 的曲线。通过在纵轴上绘制真阳性率，在横轴上绘制假阳性率，以曲线的形式表达目标的性能。[返回来源]