Recuento de la función de imagen ultrasónica basada en aprendizaje profundo en el diagnóstico de sepsis grave complicada con lesión renal aguda
Dec 27, 2023
Este estudio tuvo como objetivo analizar el valor diagnóstico de los modelos de redes neuronales convolucionales debido al aprendizaje profundo para la sepsis grave complicada conLesión renal aguday proporcionando una efReferencia teórica eficaz para el uso clínico del diagnóstico por imagen ultrasónica. En este estudio se seleccionaron 50 pacientes con sepsis grave complicada con lesión renal aguda y 50 voluntarios sanos. A todos se les realizaron ecografías. DifDiferentes modelos de redes neuronales convolucionales de aprendizaje profundo: red convolucional densa (DenseNet121), red inicial de Google (GoogLeNet) y Microsoft'Se utilizó la red residual (ResNet) para capacitación y diagnóstico. Luego, los resultados del diagnóstico se compararon con los de médicos de imagen profesionales.' artifidiagnósticos especiales. Los resultados mostraron que la precisión y sensibilidad de los tres algoritmos de aprendizaje profundo fueron significativas.filigeramente superior a la de los médicos de imagen profesionales' artifidiagnósticos especiales. Además, las tasas de error de los tres modelos algorítmicos para la sepsis grave complicada con lesión renal aguda fueron significativas.fisignificativamente más bajo que los médicos profesionales' artifidiagnósticos especiales. Las áreas bajo las curvas (AUC) de los tres algoritmos fueron significativasfiCantantemente superior a las AUC de los médicos.' resultados del diagnóstico. Elparámetros de la función de pérdida de DenseNet121y GoogLeNet firmaronfisignificativamente más bajo que el de ResNet, con una estadísticamente significativafino puedofreferencia (P < 0:05). No hubo señalesfino puedofDiferencia en el tiempo de entrenamiento de los algoritmos ResNet, GoogLeNet y DenseNet121 bajo aprendizaje profundo, ya que la convergencia se alcanzó después de 700 veces, 700 veces y 650 veces, respectivamente (P > 0:05). En conclusión, el valor de los tres algoritmos debido al aprendizaje profundo en el diagnóstico de sepsis grave complicada conLesión renal agudafue mayor que el de los médicos profesionales' artifijuicios ciales y tuvo un gran valor clínico para eldiagnósticos y tratamientos de la enfermedad..
1. Introducción
Ahora que se comprende mejor la sepsis, los académicos la definen como un síndrome clínico en el que unala respuesta inflamatoria del organismoestá desadaptado por la infección, lo que resulta endaño severo a la fisiología y las funciones de los órganos. La sepsis tiene una morbilidad y mortalidad extremadamente altas en las unidades de cuidados intensivos y se ha convertido en la principal causa de muerte en pacientes críticos [1]. Según algunos estudios, cada año se producen en el mundo más de 30 millones de nuevos casos de enfermedades concentradas y más de cinco millones de personas han muerto a causa de la sepsis, lo que ha causado una grave presión y carga para la salud pública mundial [2–4]. . Su patogénesis y procesos patológicos son complicados y están estrechamente relacionados con la inflamación, la disfunción de la coagulación y los trastornos inmunológicos [5-7]. Entre ellos, se considera que la respuesta inflamatoria incontrolada es uno de los patógenos de la sepsis. Las respuestas inflamatorias tempranas liberaron una gran cantidad de citocinas proinflamatorias ycitocinas antiinflamatorias[8]. Sin embargo, a menudo existe un desequilibrio entre los factores proinflamatorios y antiinflamatorios en pacientes con sepsis, y la reacción inflamatoria está fuera de control, lo que acelera el desarrollo de la sepsis [9-11]. Además, la inflamación a menudo interactúa con la disfunción de la coagulación y luego influye en el desarrollo de sepsis. La disminución de la expresión de factores tisulares no puede iniciar la vía de coagulación exógena, lo que provoca trastornos de la coagulación y acelera la formación de daño vascular [12-14].
La lesión renal aguda generalmente se caracteriza por una rápida disminución de la función renal, lo que resulta eninsuficiencia renal aguday otraFalla de organoen casos severos.Lesión renal agudapuede ser causado por una variedad de factores, que incluyen el uso de drogas, isquemia/reperfusión e infección [15-17]. En los últimos años, la incidencia y la mortalidad de la lesión renal aguda han aumentado y la tasa de mortalidad de la lesión renal aguda grave puede alcanzar más del 50%. Los patógenos de la lesión renal aguda suelen estar relacionados con sus factores patogénicos. Durante el trasplante de órganos, la pérdida aguda de sangre o el shock tóxico, la lesión por isquemia/reperfusión se ha convertido en un mecanismo patogénico importante que conduce a la lesión renal aguda [18]. Como órgano excretor más importante del cuerpo humano, las drogas a menudo se excretan a través del riñón, y su uso masivo o incluso abuso probablemente cause lesión renal aguda inducida por drogas [19]. La sepsis complicada con lesión renal aguda se refiere a la lesión parenquimatosa renal aguda que ocurre en pacientes con sepsis, y se excluyen otros factores que pueden causar daño renal como la isquemia renal o sustancias nefrotóxicas. La lesión renal aguda es bastante común en personas con sepsis y la incidencia aumenta con la gravedad de la sepsis. Los datos epidemiológicos muestran que la incidencia de lesión renal aguda es del 19%, 23% y 51% en pacientes con sepsis moderada, sepsis grave y shock séptico, respectivamente. Dada la alta incidencia de sepsis, se puede estimar que el número de casos de lesión renal aguda inducida por sepsis es bastante alarmante. En comparación con otras causas, la sepsis produce una hemodinámica más inestable de la lesión renal aguda; la proporción de pacientes que necesitan vasopresores y ventilación mecánica es mayor, la puntuación de gravedad de la enfermedad es mayor y, en última instancia, la mortalidad también aumenta significativamente. Los retrasos en los diagnósticos y tratamientos tempranos conducen a la progresión continua de la enfermedad, y la hipoperfusión continua conduce a una necrosis tubular aguda, que eventualmente se convierte en un daño irreversible, incluso con la muerte del paciente [20-22].
Clínicamente, el diagnóstico precoz suele realizarse mediante la detección de creatinina y volumen de orina según las directrices internacionales, pero normalmente no se puede realizar un diagnóstico correcto a tiempo y de forma completa. Con el desarrollo continuo del examen de imágenes, el examen de imágenes por ultrasonido se aplica gradualmente en el diagnóstico clínico de sepsis complicada con lesión renal aguda. Los trabajadores clínicos a menudo no pueden resumir a simple vista información médica cuantitativa y precisa a partir de imágenes ultrasónicas. Los análisis de imágenes médicas y las tecnologías de procesamiento resuelven este dilema y se convierten en importantes ayudas en el diagnóstico clínico [23-25]. El propósito de análisis y aclaraciones adicionales es ayudar a los médicos a diagnosticar la enfermedad con mayor precisión y rapidez y obtener información más detallada sobre la enfermedad. Una red neuronal convolucional, un tipo de red neuronal profunda, consta de una estructura de cuadrícula más profunda que puede leer datos de imágenes como características patológicas visuales y encontrar características que los ojos humanos no pueden leer. Esto es muy importante para la ecografía en el diagnóstico de sepsis.complicado con lesión renal aguda.
Este estudio tuvo como objetivo analizar el valor diagnóstico de la sepsis grave complicada conLesión renal agudabajo una red neuronal convolucional basada en aprendizaje profundo, para proporcionar una cierta referencia para el diagnóstico clínico por imagen de ultrasonido.
2. Materiales y métodos
2.1. Objetos de estudio.
En este estudio, se seleccionaron como grupo experimental a 50 pacientes con sepsis grave complicada con lesión renal aguda ingresados en el hospital entre el 10 de enero de 2020 y el 10 de mayo de 2021. Según la distribución por edad y sexo de estos pacientes, también se seleccionaron 50 voluntarios sanos como grupo de control sano. Este estudio fue aprobado por el comité de ética del hospital y las familias de los pacientes fueron informadas sobre este estudio y firmaron el consentimiento informado.
Los criterios de inclusión fueron los siguientes. En primer lugar, los pacientes fueron diagnosticados con sepsis complicada con lesión renal aguda según los criterios diagnósticos. En segundo lugar, los pacientes habían firmado formularios de consentimiento informado. En tercer lugar, los pacientes no padecían otras enfermedades orgánicas graves nienfermedades hereditarias. En cuarto lugar, los pacientes no fueron examinados en busca de contraindicaciones.
Los pacientes que cumplían los criterios de exclusión tenían alergias graves, otras enfermedades subyacentes graves y antecedentes de lesión renal crónica. Además, los pacientes tomaron diuréticos durante mucho tiempo.
Había dos requisitos en el criterio de suspensión y eliminación. En primer lugar, los pacientes normalmente no podían completar las ecografías. En segundo lugar, los pacientes que no cumplieron con los tratamientos fueron seguidos para una evaluación índice.
Para los voluntarios sanos del grupo de control, el criterio de inclusión fue el mismo que el de los pacientes con sepsis complicada con lesión renal aguda (segundo-4). El criterio de exclusión fue el mismo que el de los pacientes con sepsis complicada conLesión renal aguda(2º-4º). Se suspendió y excluyó a los pacientes con lesión renal aguda complicada con sepsis.
Figura 5: Comparación de precisión, especificidad y sensibilidad entre los tres algoritmos y los médicos profesionales. Nota: ∗ representó diferencias significativas: P < 0:05.
2.2. Exámenes de imágenes ultrasónicas.
Se realizaron exámenes de imágenes ecográficas en 100 pacientes al mismo tiempo. Los pacientes deben ser examinados con el estómago vacío, no beber mucha agua antes del examen y acostarse en la camilla de examen en posición supina y en posición lateral izquierda. Se aplicó un sistema de ultrasonido y una sonda de matriz convexa de 3,5 MHZ para un examen de ultrasonido renal. La sonda se colocó en la línea axilar posterior y se ajustaron la posición y el ángulo de la sonda para obtener la imagen coronal más grande del riñón. La sonda se giró 90 grados en la sección coronal y se movió hacia arriba y hacia abajo para ajustar el ángulo del haz de sonido, luego se obtuvo la imagen transversal del riñón. Cuando los pacientes estaban en decúbito prono, la sonda se colocó debajo de las costillas de la espalda para realizar un escaneo longitudinal. Con la marca de la sonda mirando hacia la cabeza, se pudo observar el plano sagital del riñón.
2.3. Modelos de redes neuronales convolucionales.
Los modelos de estructura de red neuronal convolucional Dense-Net121 completaron procesos de clasificación mediante convolución, capas de agrupación máxima, módulos densos y capas de conexión completa, respectivamente. Debido a la estrecha conexión entre los diferentes niveles, el modelo DenseNet121 podría absorber y utilizar características de cada nivel y superar hasta cierto punto los problemas de desaparición del gradiente. El modelo de estructura de cuadrícula específico de DenseNet121 se muestra en la Figura 1.
En el modelo estructural de la red neuronal convolucional GoogLeNet, el número de capas de red aumentó significativamente, pero había pocos parámetros. Había un módulo inicial integrado que podía combinar la capa de agrupación y la capa de convolución para lograr una velocidad informática rápida y obtener más información sobre las características. Además, hubo una gran cantidad de sucursales iniciales. Sus estructuras y características eran diferentes y los resultados del cálculo final fueron más precisos. El módulo inicial de Goo gLeNet se muestra en la Figura 2.
ResNet era un excelente modelo de detección de objetos, clasificación de imágenes y segmentación que se había utilizado ampliamente en redes neuronales convolucionales. Aparecieron estructuras residuales en el modelo ResNet, lo que facilitó su optimización. En el proceso de propagación de las redes neuronales, el gradiente de propagación desapareció gradualmente debido a la aparición de la retropropagación. Dado que la existencia de estructuras residuales resolvió este problema, la información del gradiente se transmitió más fácilmente en el proceso de transmisión inversa de estructuras residuales, y la red con módulos residuales obtendría una mayor precisión de identificación. Al mismo tiempo, el modelo de red residual ResNet adoptó una gran cantidad de métodos relativamente estandarizados de entrenamiento enzimático. Su modelo estructural específico se muestra en la Figura 3.
Figura 7: Resultados de la curva ROC de los tres algoritmos y diagnósticos realizados por médicos profesionales.
ResNet mejoró la cantidad de capas de red a través de estructuras residuales y simplificó los objetos de aprendizaje para lograr la mejora de la velocidad de entrenamiento y la precisión de los parámetros. Se sugirió ingresar el valor inicial xi y establecer el peso en a. El sesgo estaba representado por c, yi era la suma de la rama y sus funciones de cálculo se mostraban en las siguientes ecuaciones:
Servicio de apoyo de Wecistanche: el mayor exportador de cistanche de China:
Correo electrónico:wallence.suen@wecistanche.com
Whatsapp/Tel:+86 15292862950
Compre para obtener más detalles de especificaciones:
https://www.xjcistanche.com/cistanche-shop
