CN117238509B - 一种基于普通摄像数据的困难气道评估系统及评估方法 - Google Patents
一种基于普通摄像数据的困难气道评估系统及评估方法 Download PDFInfo
- Publication number
- CN117238509B CN117238509B CN202311519159.XA CN202311519159A CN117238509B CN 117238509 B CN117238509 B CN 117238509B CN 202311519159 A CN202311519159 A CN 202311519159A CN 117238509 B CN117238509 B CN 117238509B
- Authority
- CN
- China
- Prior art keywords
- neck
- difficult airway
- data
- difficult
- unit
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 34
- 238000004364 calculation method Methods 0.000 claims abstract description 36
- 239000013598 vector Substances 0.000 claims abstract description 31
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 30
- 239000011159 matrix material Substances 0.000 claims abstract description 20
- 238000013528 artificial neural network Methods 0.000 claims abstract description 15
- 238000004590 computer program Methods 0.000 claims abstract description 14
- 238000012549 training Methods 0.000 claims description 22
- 230000036544 posture Effects 0.000 claims description 21
- 238000007781 pre-processing Methods 0.000 claims description 17
- 238000013527 convolutional neural network Methods 0.000 claims description 16
- 230000006870 function Effects 0.000 claims description 12
- 238000012795 verification Methods 0.000 claims description 12
- 230000004913 activation Effects 0.000 claims description 9
- 210000002569 neuron Anatomy 0.000 claims description 8
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 claims description 3
- 238000003384 imaging method Methods 0.000 claims description 3
- 238000011176 pooling Methods 0.000 claims description 3
- 238000011144 upstream manufacturing Methods 0.000 claims description 3
- 238000010561 standard procedure Methods 0.000 abstract description 3
- 238000012545 processing Methods 0.000 abstract description 2
- 238000011156 evaluation Methods 0.000 description 24
- 238000006243 chemical reaction Methods 0.000 description 14
- 238000003745 diagnosis Methods 0.000 description 12
- 238000002059 diagnostic imaging Methods 0.000 description 10
- 238000002627 tracheal intubation Methods 0.000 description 10
- 210000003128 head Anatomy 0.000 description 8
- 238000007796 conventional method Methods 0.000 description 5
- 210000000214 mouth Anatomy 0.000 description 5
- 238000013135 deep learning Methods 0.000 description 4
- 210000002409 epiglottis Anatomy 0.000 description 4
- 238000002695 general anesthesia Methods 0.000 description 4
- 238000002595 magnetic resonance imaging Methods 0.000 description 4
- 210000003437 trachea Anatomy 0.000 description 4
- 238000001514 detection method Methods 0.000 description 3
- 230000001815 facial effect Effects 0.000 description 3
- 210000004704 glottis Anatomy 0.000 description 3
- 238000002372 labelling Methods 0.000 description 3
- 206010002091 Anaesthesia Diseases 0.000 description 2
- 208000003174 Brain Neoplasms Diseases 0.000 description 2
- 208000027418 Wounds and injury Diseases 0.000 description 2
- 230000037005 anaesthesia Effects 0.000 description 2
- 230000003416 augmentation Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000006698 induction Effects 0.000 description 2
- 210000001331 nose Anatomy 0.000 description 2
- 230000007170 pathology Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 210000002345 respiratory system Anatomy 0.000 description 2
- 238000010008 shearing Methods 0.000 description 2
- 238000010186 staining Methods 0.000 description 2
- 238000013526 transfer learning Methods 0.000 description 2
- 238000013519 translation Methods 0.000 description 2
- 208000024827 Alzheimer disease Diseases 0.000 description 1
- 206010021118 Hypotonia Diseases 0.000 description 1
- 206010034464 Periarthritis Diseases 0.000 description 1
- 206010039897 Sedation Diseases 0.000 description 1
- 208000024770 Thyroid neoplasm Diseases 0.000 description 1
- 206010052428 Wound Diseases 0.000 description 1
- 210000001015 abdomen Anatomy 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 210000000621 bronchi Anatomy 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 150000001875 compounds Chemical class 0.000 description 1
- 239000000470 constituent Substances 0.000 description 1
- 238000002316 cosmetic surgery Methods 0.000 description 1
- 230000006378 damage Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000009977 dual effect Effects 0.000 description 1
- 230000004064 dysfunction Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000007717 exclusion Effects 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 208000014674 injury Diseases 0.000 description 1
- 210000001165 lymph node Anatomy 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000005399 mechanical ventilation Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000036640 muscle relaxation Effects 0.000 description 1
- 210000003928 nasal cavity Anatomy 0.000 description 1
- 238000006213 oxygenation reaction Methods 0.000 description 1
- 238000001959 radiotherapy Methods 0.000 description 1
- 238000010992 reflux Methods 0.000 description 1
- 230000000241 respiratory effect Effects 0.000 description 1
- 230000036280 sedation Effects 0.000 description 1
- 238000001356 surgical procedure Methods 0.000 description 1
- 201000002510 thyroid cancer Diseases 0.000 description 1
- 238000009423 ventilation Methods 0.000 description 1
Abstract
本发明一种基于普通摄像数据的困难气道评估系统及评估方法属于数据处理系统技术领域。所述困难气道评估系统设置有数据主路；数据主路上设置有依次连接的计算单元和结果输出单元；计算单元存储有计算机程序；计算机程序被处理器执行时运行一种k值的计算方法；k值的计算方法通过下式I计算得到：式I：；其中，w m 代表MLP模型的困难气道权值矩阵、t为深度卷积神经网络InceptionV3算法模型针对患者的体位图像生成的新特征向量，d代表新特征向量的维度16×2048；b=0.216；结果输出单元监控k＞0.7时困难气道风险的结果，k≤0.7时输出无困难气道风险的结果。本发明的系统和方法相比传统标准方法的准确性在88.81%以上。
Description
技术领域
本发明属于数据处理系统技术领域，具体涉及一种基于普通摄像数据的困难气道评估系统及评估方法。
背景技术
气管内插管技术是将一特制的气管内导管通过口腔或鼻腔，经声门置入气管或支气管内的方法，目前是气道管理最为安全可靠的方法，在有效地提供通气和氧合的同时可避免返流和误吸的发生，为呼吸道通畅、呼吸道吸引等提供最佳条件，是广泛应用于全身麻醉和机械通气治疗的重要气道管理技术，此外，该技术也是抢救呼吸功能障碍患者的重要措施。
困难气道的临床诊断标准不一，经过正规训练且具有五年以上临床麻醉经验的麻醉医师使用常规喉镜正确地进行气管插管时，经三次尝试仍不能完成，英国推荐的标准为用最适宜的方法包括使用直接喉镜和导管芯仍无法完成气管插管，称之困难气道。
临床实践中，气管插管遭遇困难气道会导致较为严重的临床后果，因此需要提前对患者进行气管插管困难程度的评估。
常见的困难气管插管评估标准为Cormack-Lehane分级评分系统，共分为Ⅰ级：可见全声门、Ⅱ级：可见后半部分声门、Ⅲ级：仅可见会厌（不见声门）、Ⅳ级：声门会厌均不见，大于等于III级就被评估为困难插管。具体操作时需要对清醒患者进行全身麻醉诱导、使其处于嗅物位后，由至少工作5年以上麻醉医生使用Mac喉镜（Macintosh laryngoscope）进行评级，可见这一常见评估方法的操作繁琐、费时费力，占用麻醉医生资源，还需对患者麻醉伴随一定风险。
为此，现有技术：中国发明专利申请202211597687.2提供一种困难气道评估系统，该系统包括依次连接的诊断数据获取单元、医学影像学（CT、MRI等）诊断数据标注单元和预测单元；所述诊断数据获取单元用于获取评估对象的医学影像学诊断数据和第一数字型诊断数据；所述医学影像学诊断数据标注单元用于对所述医学影像学诊断数据进行有效区块标注并提取困难气道相关指标；基于所述困难气道相关指标和所述第一数字型诊断数据得到第二数字型诊断数据；所述预测单元用于接收有效区块标注后的所述医学影像学诊断数据和第二数字型诊断数据，通过预先训练的困难气道评估模型进行预测，得到困难气道评估结果。
然而，上述现有技术需要收集患者多个部位的医学影像学数据，需要对患者进行多次医学影像学检查（需要特定的医学大型检查设备），仍然耗费物力财力、增加患者的就医成本，同时该系统的清楚程度、可操作程度和准确程度存疑。
因此，本领域亟需开发一种无需依赖于医学影像学数据、仅需普通的面部摄影数据就可较为准确地评估患者是否存在气道插管困难风险的困难气道评估系统。
发明内容
基于本领域现有技术存在的上述不足和需求，为了解决现有评估系统需依赖医学影像学数据且可操作性、准确性无法保证等问题，本发明提供一种基于普通摄像数据的困难气道评估系统，仅基于普通的面部摄影数据就可较为准确地评估患者是否存在气道插管困难的风险。
本发明的技术方案如下：
一种基于普通摄像数据的困难气道评估系统，其特征在于，设置有数据主路；数据主路上设置有依次连接的计算单元和结果输出单元；
所述计算单元存储有计算机程序；所述计算机程序被处理器执行时运行一种k值的计算方法；k值的计算方法通过下式I计算得到：
式I：；
其中，代表MLP模型的困难气道权值矩阵、t为深度卷积神经网络InceptionV3算法模型针对患者的体位图像生成的新特征向量，d代表新特征向量的维度16×2048；b=0.216；
结果输出单元监控k＞0.7时困难气道风险的结果，k≤0.7时输出无困难气道风险的结果。
主路上还设置有深度卷积神经网络InceptionV3算法模型单元和MLP模型单元；所述深度卷积神经网络InceptionV3算法模型单元和MLP模型单元分别经数据通路与下游的计算单元连接；
优选地，所述深度卷积神经网络InceptionV3算法模型单元存储有计算机程序，所述计算机程序为丢弃了最后的池化层pool、全连接层linear、softmax层的深度卷积神经网络InceptionV3算法；
优选地，所述MLP模型单元存储有困难气道权值矩阵：；所述困难气道权值矩阵为表1所示的32768个向量数据输入多层感知器MLP经训练、调参、验证得到的权值矩阵；
优选地，所述模型包含1个输入层、2个隐含层和1个输出层；
优选地，所述式I的计算指：将患者的体位图像生成的新特征向量与MLP模型单元存储的困难气道权值矩阵进行比对计算；
优选地，所述比对计算过程通过多层感知器MLP实现。
所述多层感知器MLP包含1个输入层、2个隐含层和1个输出层；
优选地，所述输入层为表1所示的32768个向量数据；
优选地，所述2个隐含层均设置为512个神经元、ReLU激活函数；
优选地，所述输出层设为采用Softmax激活函数来输出困难气道和非困难气道分类值的概率的2个神经元；
优选地，所述训练的批量batch size设置为8；所述训练的轮数epochs为200次；所述训练的模型中，验证集占总样本的80%，验证集占总样本的20%；
优选地，所示调参得到的参数包括：损失函数使用categorical_crossentropy、优化器使用 Adam(lr=1e-5, decay=1e-6)、使用 accracy 作为输出指标。
所述体位图像指患者或受试者在16种不同体位下拍摄的头颈部的彩色图像；
优选地，所述头颈部指：鼻部以下、胸骨上窝以上的头颈部区域；
优选地，所述16种不同体位包括：①正面-仰卧-闭嘴-颈部自然体位；②正面-仰卧-张嘴-颈部自然体位；③正面-仰卧-闭嘴-颈部反弓体位；④正面-仰卧-张嘴-颈部反弓体位；⑤侧面-仰卧-闭嘴-颈部自然体位；⑥侧面-仰卧-张嘴-颈部自然体位；⑦侧面-仰卧-闭嘴-颈部反弓体位；⑧侧面-仰卧-张嘴-颈部反弓体位；⑨正面-坐位-闭嘴-颈部自然体位；⑩正面-坐位-张嘴-颈部自然体位；正面-坐位-闭嘴-颈部反弓体位；/>正面-坐位-张嘴-颈部反弓体位；/>侧面-坐位-闭嘴-颈部自然体位；/>侧面-坐位-张嘴-颈部自然体位；/>侧面-坐位-闭嘴-颈部反弓体位；/>侧面-坐位-张嘴-颈部反弓体位；
优选地，所述体位图像指RGB彩色图像。
数据主路上还设置有图像预处理单元；所述图像预处理单元设置在深度卷积神经网络InceptionV3算法模型单元的上游；所述图像预处理单元将体位图像经图像数据增强预处理形成样本数据。
一种基于普通摄像数据的困难气道评估方法，其特征在于，包括：采用所述的一种基于普通摄像数据的困难气道评估系统对患者的体位图像进行评估。
用所述困难气道评估系统的深度卷积神经网络InceptionV3算法模型单元对患者的体位图像生成的新特征向量并输入所述困难气道评估系统的计算单元；计算单元监控新特征向量并启动k值的计算。
计算单元将计算得到k值输出至下游的结果输出单元。
结果输出单元监控k值＞0.7输出困难气道风险的结果，结果输出单元监控k值≤0.7输出无困难气道风险的结果。
所述困难气道评估系统的图像预处理单元通过图像数据增强对患者的体位图像进行预处理形成样本数据并输出至深度卷积神经网络InceptionV3算法模型单元。
本发明的有益效果如下：
本发明提供的困难气道评估系统及评估方法在临床上应用时，只需通过普通的拍照设备采集患者（受试者）的不同体位的RGB彩色图像，将RGB彩色图像输入本发明困难气道评估系统的图像预处理单元形成样本数据后输入深度卷积神经网络InceptionV3算法模型单元生成新特征向量，再利用该新特征向量分别与MLP模型单元存储的困难气道权值矩阵进行比对再经计算单元的式I计算后即可得到k值，结果输出单元根据k值是否大于0.7来得出该名患者是否有困难气道风险。本发明的困难气道评估系统及评估方法无需直接作用于患者人体、对人体产生创口或伤害，亦无需借助任何大型医疗设备或占用麻醉医生资源给患者或医院带来额外成本或负担，只需要借助最常见的普通拍照设备拍摄的彩色照片（彩色图像）就能获知患者是否具有存在困难气道的风险。
本发明对200例临床受试者进行验证，即，分别通过本发明的困难气道评估系统及评估方法对患者采集的彩色图像得到的预测数据与困难气道传统评估方法预测结果进行比较，能够证明，本发明困难气道评估系统及评估方法相比传统标准方法的准确性在88.81%以上。本发明提供的困难气道评估系统及评估方法方便快捷、成本低廉、操作方便、准确性良好，可在临床上推广应用。
附图说明
图1为本发明一些实施例提供的一种基于普通摄像数据的困难气道评估系统的结构示意图及评估方法的流程示意图。图中，虚线框内为评估系统的结构示意，虚线框内的实现箭头代表数据主路或数据通路。
具体实施方式
下面结合具体实施例和附图对本发明内容做进一步详细描述，但并不以此限制本发明的保护范围。
本发明实验例的200例临床受试者均来自申请人单位收治的患者，均签署了知情同意书。本文中的以上、以下均包含本数。
第1组实施例、本发明的困难气道评估系统
本组实施例提供一种基于普通摄像数据的困难气道评估系统。在本发明所有的实施例中，所述系统都具备如下共同特征：如图1所示，所述一种基于普通摄像数据的困难气道评估系统，设置有数据主路；数据主路上设置有依次连接的计算单元和结果输出单元；
所述计算单元存储有计算机程序；所述计算机程序被处理器执行时运行一种k值的计算方法；k值的计算方法通过下式I计算得到：
式I：；
式I中，w m 代表MLP模型的困难气道权值矩阵、t为深度卷积神经网络InceptionV3算法模型针对患者的体位图像生成的新特征向量，d代表新特征向量的维度16×2048；b=0.216；
结果输出单元监控k＞0.7时困难气道风险的结果，k≤0.7时输出无困难气道风险的结果。
在进一步的实施例中，主路上还设置有深度卷积神经网络InceptionV3算法模型单元和MLP模型单元；所述深度卷积神经网络InceptionV3算法模型单元和MLP模型单元分别经数据通路与下游的计算单元连接。
在具体的实施例中，普通摄像具有公知常识领域所熟知的常规含义，可以是百度百科词条“摄像”、“拍照”、“照相”等词具备的含义。
在具体的实施例中，所述深度卷积神经网络InceptionV3算法模型单元存储有计算机程序，所述计算机程序为丢弃了最后三层的深度卷积神经网络InceptionV3算法。具体地，所述最后三层指：最后的池化层pool、全连接层linear、softmax层。
深度卷积神经网络Inception V3算法具有计算机领域技术人员所熟知的常规技术含义，可以是“Automated Classification of Brain Tumors from MagneticResonance Imaging Using Deep Learning”一文记载的“Inception V3”。
在更具体的实施例中，所述MLP模型单元存储有MLP模型困难气道权值矩阵：；所述困难气道权值矩阵为表1所示的32768个向量数据输入多层感知器MLP经训练、调参、验证得到的权值矩阵；所述模型包含1个输入层、2个隐含层和1个输出层；其中，输入层即表1所示的32768个向量数据；2个隐含层单元分别设置为512个，激活函数使用ReLU激活函数；输出层设为2个单元，激活函数使用Softmax；所述训练的批量batch size设置为8；所述训练的轮数epochs为200次；所述训练的模型中，验证集占总样本的80%，训练集占总样本的20%；调参得到的参数包括：损失函数使用categorical_crossentropy、优化器使用 Adam(lr=1e-5, decay=1e-6)、使用 accracy 作为输出指标。
训练具有计算机领域普通技术人员通常理解的含义，可以是“基于预训练GoogleNet模型和迁移学习的齿轮箱故障检测方法”一文记载的训练一词的含义。
调参具有计算机领域普通技术人员通常理解的含义，可以是“基于改进的三维卷积神经网络的动作识别”一文记载的调参一词的含义。
验证具有计算机领域普通技术人员通常理解的含义，可以是“基于预训练GoogleNet模型和迁移学习的齿轮箱故障检测方法”一文记载的验证一词的含义。
基于表1的32768个向量数据，将其作为输入层输入多层感知器MLP经训练、调参、验证得到困难气道权值矩阵，是计算机领域普通技术人员出于本发明的教导，并结合计算机领域的常规技术手段可以做到并容易实现的。
多层感知器MLP具有计算机领域普通技术人员通常理解的常规技术含义，例如，可以是百度百科词条“多层感知器”一词的含义，也可以是“Diagnosis of Alzheimer’sdisease by joining dual attention CNN and MLP based on structural MRIs,clinical and genetic data”一文中记载的“multilayer perceptron (MLP)”一词的含义。
/>
/>
/>
/>
/>
/>
/>
/>
/>
/>
/>
/>
/>
/>
/>
/>
/>
/>
/>
/>
/>
在优选的实施例中，所述式I的计算指：将患者的体位图像生成的新特征向量与MLP模型单元存储的MLP模型困难气道权值矩阵/>进行比对计算；/>
在更优选的实施例中，所述比对计算过程通过多层感知器MLP实现。
在一些实施例中，所述多层感知器MLP包含1个输入层、2个隐含层和1个输出层；
在另一些实施例中，所述输入层为表1所示的32768个向量数据；
Inception V3算法具有计算机领域技术人员所熟知的常规技术含义，可以是“Automated Classification of Brain Tumors from Magnetic Resonance ImagingUsing Deep Learning”一文记载的“InceptionV3”。
在一些实施例中，所述2个隐含层均设置为512个神经元、ReLU激活函数。
在另一些优选实施例中，所述输出层设为采用Softmax激活函数来输出困难气道和非困难气道分类值的概率的2个神经元。
在具体的实施例种，所述神经元具有计算机领域技术人员所熟知的常规技术含义，例如，可以是“基于改进CNN和数据扩充的苹果表面缺陷检测”一文记载的神经元。
在一些具体实施例中，所述体位图像指患者或受试者在16种不同体位下拍摄的头颈部的彩色照片。
所述头颈部指：鼻部以下、胸骨上窝以上的头颈部区域。
在更具体的实施例中，所述16种不同体位包括：①正面-仰卧-闭嘴-颈部自然体位；②正面-仰卧-张嘴-颈部自然体位；③正面-仰卧-闭嘴-颈部反弓体位；④正面-仰卧-张嘴-颈部反弓体位；⑤侧面-仰卧-闭嘴-颈部自然体位；⑥侧面-仰卧-张嘴-颈部自然体位；⑦侧面-仰卧-闭嘴-颈部反弓体位；⑧侧面-仰卧-张嘴-颈部反弓体位；⑨正面-坐位-闭嘴-颈部自然体位；⑩正面-坐位-张嘴-颈部自然体位；正面-坐位-闭嘴-颈部反弓体位；正面-坐位-张嘴-颈部反弓体位；/>侧面-坐位-闭嘴-颈部自然体位；/>侧面-坐位-张嘴-颈部自然体位；/>侧面-坐位-闭嘴-颈部反弓体位；/>侧面-坐位-张嘴-颈部反弓体位。
上述16种不同体位中的各体位的构成要素均具有医学领域普通技术人员所熟知的常规技术含义或公知常识领域的常规含义，例如，颈部自然体位，可以是“一种新的手术策略：完全经颏下单孔腔镜甲状腺癌侧颈部淋巴结清扫术”一文记载的“颈部自然体位”所体现的技术含义；
颈部反弓体位，又叫颈部最大后仰体位，具体指：颈部尽量后仰到最大极限程度的体位，具有医学领域普通技术人员通常理解的常规技术含义；
正面指：人体前部所向的一面，具有公知常识领域的常规含义，例如，可以是百度百科词条“正面”一词的含义；
侧面指：旁边的一面，区别于正面和背面，具有公知常识领域的常规含义，例如，可以是百度百科词条“侧面”一词的含义；
仰卧指：水平躺着，背部朝下，脸部和腹部朝上，脊柱轻微后仰的一种体位，具有公知常识领域的常规含义，例如，可以是百度百科词条“仰卧”一词的含义；
坐位指：自然坐姿下的体位，具有医学领域普通技术人员所熟知的常规技术含义或公知常识领域的常规含义，例如，可以是“坐、卧位两种体位下手法治疗肩周炎的疗效比较”一文记载的“坐位”。
张嘴指：嘴部张开到最大程度；
闭嘴指：嘴部自然闭合。
在更进一步的实施例中，数据主路上还设置有图像预处理单元；所述图像预处理单元设置在深度卷积神经网络InceptionV3算法模型单元的上游；所述图像预处理单元将彩色图像经图像数据增强预处理形成样本数据；
优选地，所述图像数据增强（image augmentation）具有计算机领域技术人员所熟知的常规技术含义，例如，可以是“组织学病理图像在深度学习中染色处理的研究进展”一文记载的“图像数据增强”的含义，也可以具体指：将样本图像通过剪切、旋转/反射/翻转变换、缩放变换、平移变换、尺度变换、对比度变换、噪声扰动、颜色变换等一种或多种组合数据增强变换的方式产生相似但又不同的训练样本，以增加数据集的数量。这些新增的图像通过一系列随机改变产生，是相似但又不同的训练样本，从而扩大训练数据集的规模，而且随机改变训练样本可以降低模型对某些属性的依赖，提高模型的泛化能力。
在更具体的实施例中，所述图像数据增强通过图像数据增强产生器(Image DataGenerator)来实现。
第2组实施例、本发明的困难气道评估方法
本组实施例提供一种基于普通摄像数据的困难气道评估方法。本组所有实施例都具备如下共同特征：所述一种基于普通摄像数据的困难气道评估方法包括：采用第1组实施例任一项所述的一种基于普通摄像数据的困难气道评估系统对患者的体位图像进行评估。
在具体的实施例中，用所述困难气道评估系统的深度卷积神经网络InceptionV3算法模型单元对患者的体位图像生成的新特征向量并输入所述困难气道评估系统的计算单元；计算单元监控新特征向量并启动k值的计算。
在一些实施例中，计算单元将计算得到k值输出至下游的结果输出单元。
在进一步的实施例中，结果输出单元监控k值＞0.7输出困难气道风险的结果，结果输出单元监控k值≤0.7输出无困难气道风险的结果。
在更具体的实施例中，所述困难气道评估系统的图像预处理单元通过图像数据增强对患者的体位图像进行预处理形成样本数据并输出至深度卷积神经网络InceptionV3算法模型单元。
优选地，所述图像数据增强（image augmentation）具有计算机领域技术人员所熟知的常规技术含义，例如，可以是“组织学病理图像在深度学习中染色处理的研究进展”一文记载的“图像数据增强”的含义，也可以具体指：将样本图像通过剪切、旋转/反射/翻转变换、缩放变换、平移变换、尺度变换、对比度变换、噪声扰动、颜色变换等一种或多种组合数据增强变换的方式产生相似但又不同的训练样本，以增加数据集的数量。这些新增的图像通过一系列随机改变产生，是相似但又不同的训练样本，从而扩大训练数据集的规模，而且随机改变训练样本可以降低模型对某些属性的依赖，提高模型的泛化能力。
在具体的实施例中，所述图像数据增强通过图像数据增强产生器(Image DataGenerator)来实现。
在更具体的实施例中，待评估的每位患者拍摄16张体位图像，每张体位图像的像素为512×512，每个像素由RGB三个颜色值组成；经图像数据增强产生器(Image DataGenerator)对每位患者的单张图像进行数据增强获得的向量数据为512×512×3=786432个数（或叫维度）；每位患者的1张体位图像的786432个数，经过本发明困难气道评估系统的深度卷积神经网络InceptionV3算法模型单元生成2048个数，即2048个数表征了每个患者的1张体位图像，16张体位图像对应的2048×16=32768个数就是上文所述的新特征向量。
本领域技术人员可基于本发明的教导，搜集更多的临床上已被传统标准方法判定为困难气道的患者的16张体位图像经上述图像数据增强后再经InceptionV3算法模型单元生成16×2048获得更多的32768个新特征向量输入MLP模型获得新的困难气道权值矩阵用于作为式I的。
实验例、本发明评估系统的准确性验证
一、受试者选择
选择拟接受气管插管全身麻醉下行择期手术患者200例数据，年龄18~65岁。排除标准：面部整形手术史；颈椎固定融合术；头颈、颌面部巨大占位和/放疗史者。
二、（一）常规方法进行气管插管困难程度评级
分别对200例受试者进行全身麻醉诱导后，镇静深度BIS＜60，肌松监测达到TOF值0~1时，由至少工作5年以上麻醉医生使用Mac喉镜（Macintosh laryngoscope）采用Cormack-Lehane评分对患者进行气管插管评级，评级时患者体位统一为嗅物位，麻醉医生不能对患者头颈部做任何特殊操作，比如使用BURP手法（对环状软骨使用向后，向上，向右加压的手法）。分级标准：Ⅰ级：可见全声门、Ⅱ级：可见后半部分声门、Ⅲ级：可见会厌（不见声门）、Ⅳ级：声门会厌均不见；Cormack-Lehane评级≥III级者判定为困难气管插管。统计200例受试者的Cormack-Lehane评级数据。
（二）本发明评估系统进行气管插管困难程度评级
分别获取200例受试者的摄像数据，包括：①正面-仰卧-闭嘴-颈部自然体位②正面-仰卧-张嘴-颈部自然体位③正面-仰卧-闭嘴-颈部反弓体位④正面-仰卧-张嘴-颈部反弓体位⑤侧面-仰卧-闭嘴-颈部自然体位⑥侧面-仰卧-张嘴-颈部自然体位⑦侧面-仰卧-闭嘴-颈部反弓体位⑧侧面-仰卧-张嘴-颈部反弓体位⑨正面-坐位-闭嘴-颈部自然体位⑩正面-坐位-张嘴-颈部自然体位正面-坐位-闭嘴-颈部反弓体位/>正面-坐位-张嘴-颈部反弓体位/>侧面-坐位-闭嘴-颈部自然体位/>侧面-坐位-张嘴-颈部自然体位/>侧面-坐位-闭嘴-颈部反弓体位/>侧面-坐位-张嘴-颈部反弓体位，代入本发明的评估系统模型，分别计算获得k值并获得困难气道或非困难气道的评估结果，统计200例受试者的评估结果。
（三）常规方法与本发明评估系统的评估结果统计比较
200例受试者中，经常规方法评级，Cormack-Lehane评级≥III级的受试者有39例；这39例受试者分别经本发明评估系统的评估获得的评估结果k值＞0的有35例，这表明，本发明评估系统评估困难气道的准确性为89.74%。
200例受试者中，经常规方法评级，Cormack-Lehane评级＜III级的受试者有161例；这161例受试者分别经本发明评估系统的评估获得的评估结果k值≤0的有143例，这表明，本发明评估系统评估非困难气道的准确性为88.81%。
出于篇幅节约的考虑，将200例受试者中部分受试者的常规方法的评级结果与本发明评估系统的评估结果展示如下表2所示：
/>
Claims (10)
1.一种基于普通摄像数据的困难气道评估系统，其特征在于，设置有数据主路；数据主路上设置有依次连接的计算单元和结果输出单元；
所述计算单元存储有计算机程序；所述计算机程序被处理器执行时运行一种k值的计算方法；k值的计算方法通过下式I计算得到：
式I：；
其中，w m 代表MLP模型的困难气道权值矩阵、t为深度卷积神经网络InceptionV3算法模型针对患者的体位图像生成的新特征向量，d代表新特征向量的维度16×2048；b=0.216；
结果输出单元监控k＞0.7时困难气道风险的结果，k≤0.7时输出无困难气道风险的结果；
主路上还设置有深度卷积神经网络InceptionV3算法模型单元和MLP模型单元；所述深度卷积神经网络InceptionV3算法模型单元和MLP模型单元分别经数据通路与下游的计算单元连接；
所述式I的计算指：将患者的体位图像生成的新特征向量与MLP模型单元存储的困难气道权值矩阵进行比对计算；
所述体位图像指患者或受试者在16种不同体位下拍摄的头颈部的彩色图像。
2.根据权利要求1所述的一种基于普通摄像数据的困难气道评估系统，其特征在于，
所述深度卷积神经网络InceptionV3算法模型单元存储有计算机程序，所述计算机程序为丢弃了最后的池化层pool、全连接层linear、softmax层的深度卷积神经网络InceptionV3算法；
和/或，所述MLP模型单元存储有困难气道权值矩阵：；所述困难气道权值矩阵为表1所示的32768个向量数据输入多层感知器MLP经训练、调参、验证得到的权值矩阵；
/>
/>
/>
/>
/>
/>
/>
/>
/>
/>
/>
/>
/>
/>
/>
/>
/>
和/或，所述模型包含1个输入层、2个隐含层和1个输出层；
和/或，所述比对计算过程通过多层感知器MLP实现。
3.根据权利要求2所述的一种基于普通摄像数据的困难气道评估系统，其特征在于，所述多层感知器MLP包含1个输入层、2个隐含层和1个输出层；
和/或，所述输入层为表1所示的32768个向量数据；和/或，所述2个隐含层均设置为512个神经元、ReLU激活函数；
和/或，所述输出层设为采用Softmax激活函数来输出困难气道和非困难气道分类值的概率的2个神经元；
和/或，所述训练的批量batch size设置为8；所述训练的轮数epochs为200次；所述训练的模型中，验证集占总样本的80%，验证集占总样本的20%；
和/或，所示调参得到的参数包括：损失函数使用categorical_crossentropy、优化器使用 Adam(lr=1e-5, decay=1e-6)、使用 accracy 作为输出指标。
4.根据权利要求1-3任一所述的一种基于普通摄像数据的困难气道评估系统，其特征在于，
所述头颈部指：鼻部以下、胸骨上窝以上的头颈部区域；
和/或，所述16种不同体位包括：①正面-仰卧-闭嘴-颈部自然体位；②正面-仰卧-张嘴-颈部自然体位；③正面-仰卧-闭嘴-颈部反弓体位；④正面-仰卧-张嘴-颈部反弓体位；⑤侧面-仰卧-闭嘴-颈部自然体位；⑥侧面-仰卧-张嘴-颈部自然体位；⑦侧面-仰卧-闭嘴-颈部反弓体位；⑧侧面-仰卧-张嘴-颈部反弓体位；⑨正面-坐位-闭嘴-颈部自然体位；⑩正面-坐位-张嘴-颈部自然体位；⑪正面-坐位-闭嘴-颈部反弓体位；正面-坐位-张嘴-颈部反弓体位；/>侧面-坐位-闭嘴-颈部自然体位；/>侧面-坐位-张嘴-颈部自然体位；侧面-坐位-闭嘴-颈部反弓体位；/>侧面-坐位-张嘴-颈部反弓体位；
和/或，所述体位图像指RGB彩色图像。
5.根据权利要求4所述一种基于普通摄像数据的困难气道评估系统，其特征在于，数据主路上还设置有图像预处理单元；所述图像预处理单元设置在深度卷积神经网络InceptionV3算法模型单元的上游；所述图像预处理单元将体位图像经图像数据增强预处理形成样本数据。
6.一种基于普通摄像数据的困难气道评估方法，其特征在于，包括：采用权利要求1-5任一所述的一种基于普通摄像数据的困难气道评估系统对患者的体位图像进行评估。
7.根据权利要求6所述的一种基于普通摄像数据的困难气道评估方法，其特征在于，用所述困难气道评估系统的深度卷积神经网络InceptionV3算法模型单元对患者的体位图像生成的新特征向量并输入所述困难气道评估系统的计算单元；计算单元监控新特征向量并启动k值的计算。
8.根据权利要求7所述的一种基于普通摄像数据的困难气道评估方法，其特征在于，计算单元将计算得到k值输出至下游的结果输出单元。
9.根据权利要求8所述的一种基于普通摄像数据的困难气道评估方法，其特征在于，结果输出单元监控k值＞0.7输出困难气道风险的结果，结果输出单元监控k值≤0.7输出无困难气道风险的结果。
10.根据权利要求7所述的一种基于普通摄像数据的困难气道评估方法，其特征在于，所述困难气道评估系统的图像预处理单元通过图像数据增强对患者的体位图像进行预处理形成样本数据并输出至深度卷积神经网络InceptionV3算法模型单元。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311519159.XA CN117238509B (zh) | 2023-11-15 | 2023-11-15 | 一种基于普通摄像数据的困难气道评估系统及评估方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311519159.XA CN117238509B (zh) | 2023-11-15 | 2023-11-15 | 一种基于普通摄像数据的困难气道评估系统及评估方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117238509A CN117238509A (zh) | 2023-12-15 |
| CN117238509B true CN117238509B (zh) | 2024-02-27 |
Family
ID=89086585
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311519159.XA Active CN117238509B (zh) | 2023-11-15 | 2023-11-15 | 一种基于普通摄像数据的困难气道评估系统及评估方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117238509B (zh) |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105640485A (zh) * | 2016-03-29 | 2016-06-08 | 广州医科大学附属第医院 | 一种气道环境监测装置 |
| CN110831538A (zh) * | 2018-05-31 | 2020-02-21 | 奥瑞斯健康公司 | 基于图像的气道分析和映射 |
| CN112370018A (zh) * | 2020-11-10 | 2021-02-19 | 皖南医学院第一附属医院（皖南医学院弋矶山医院） | 一种预测困难气道的计算机应用软件及气道管理数据系统 |
| CN113069080A (zh) * | 2021-03-22 | 2021-07-06 | 上海交通大学医学院附属第九人民医院 | 一种基于人工智能的困难气道评估方法及装置 |
| CN115381429A (zh) * | 2022-07-26 | 2022-11-25 | 复旦大学附属眼耳鼻喉科医院 | 基于人工智能的气道评估终端 |
| CN115602320A (zh) * | 2022-12-14 | 2023-01-13 | 北京大学第三医院（北京大学第三临床医学院）（Cn） | 一种困难气道评估方法和系统 |
| CN115995285A (zh) * | 2022-11-02 | 2023-04-21 | 复旦大学附属眼耳鼻喉科医院 | 麻醉术前访视方法、系统、设备及可读存储介质 |
| CN116486458A (zh) * | 2023-04-27 | 2023-07-25 | 杭州智会原医疗科技有限公司 | 一种基于图像识别技术的气道评估方法 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20210034841A1 (en) * | 2019-07-31 | 2021-02-04 | Wake Forest University Health Sciences | System and method for automated prediction of difficult airway management using images |
-
2023
- 2023-11-15 CN CN202311519159.XA patent/CN117238509B/zh active Active
Patent Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105640485A (zh) * | 2016-03-29 | 2016-06-08 | 广州医科大学附属第医院 | 一种气道环境监测装置 |
| CN110831538A (zh) * | 2018-05-31 | 2020-02-21 | 奥瑞斯健康公司 | 基于图像的气道分析和映射 |
| CN112370018A (zh) * | 2020-11-10 | 2021-02-19 | 皖南医学院第一附属医院（皖南医学院弋矶山医院） | 一种预测困难气道的计算机应用软件及气道管理数据系统 |
| WO2022100520A1 (zh) * | 2020-11-10 | 2022-05-19 | 安徽玥璞医疗科技有限公司 | 一种预测困难气道的计算机应用软件及气道管理数据系统 |
| CN113069080A (zh) * | 2021-03-22 | 2021-07-06 | 上海交通大学医学院附属第九人民医院 | 一种基于人工智能的困难气道评估方法及装置 |
| JP2022146884A (ja) * | 2021-03-22 | 2022-10-05 | 上海交通大学医学院付属第九人民医院 | 人工知能に基づく困難な気道の評価方法及び装置 |
| CN115381429A (zh) * | 2022-07-26 | 2022-11-25 | 复旦大学附属眼耳鼻喉科医院 | 基于人工智能的气道评估终端 |
| CN115995285A (zh) * | 2022-11-02 | 2023-04-21 | 复旦大学附属眼耳鼻喉科医院 | 麻醉术前访视方法、系统、设备及可读存储介质 |
| CN115602320A (zh) * | 2022-12-14 | 2023-01-13 | 北京大学第三医院（北京大学第三临床医学院）（Cn） | 一种困难气道评估方法和系统 |
| CN116486458A (zh) * | 2023-04-27 | 2023-07-25 | 杭州智会原医疗科技有限公司 | 一种基于图像识别技术的气道评估方法 |
Non-Patent Citations (4)
| Title |
|---|
| 可视化技术在困难气道处理中的应用进展;张月娟 等;中国微创外科杂志;20130220(第02期);全文 * |
| 可视喉镜暴露声门困难相关面部特征分析;王杰 等;第二军医大学学报;20211220;全文 * |
| 困难气道的评估、预测进展;马武华;中国中西医结合麻醉学会[CSIA]年会暨第二届全国中西医结合麻醉学术研讨会、江苏省中西医结合学会麻醉专业委员会成立大会论文汇编;20150626;全文 * |
| 超声用于颈段气管异常评估及气道管理的研究进展;何艳 等;齐齐哈尔医学院学报;20200315(第05期);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117238509A (zh) | 2023-12-15 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| EP4002271A1 (en) | Image segmentation method and apparatus, and storage medium | |
| Connor et al. | Accurate classification of difficult intubation by computerized facial analysis | |
| CN104424385B (zh) | 一种医学影像的评价方法和装置 | |
| CN112370018B (zh) | 一种预测困难气道的计算机应用软件及气道管理数据系统 | |
| EP3054844B1 (en) | Difficult intubation or ventilation or extubation prediction system | |
| Islam et al. | Deep learning of facial depth maps for obstructive sleep apnea prediction | |
| WO2024021534A1 (zh) | 基于人工智能的气道评估终端 | |
| US20210407648A1 (en) | Systems and methods for respiratory support recommendations | |
| Wang et al. | A fully-automatic semi-supervised deep learning model for difficult airway assessment | |
| Lonsdale et al. | Machine vision and image analysis in anesthesia: Narrative review and future prospects | |
| CN117238509B (zh) | 一种基于普通摄像数据的困难气道评估系统及评估方法 | |
| TWI777611B (zh) | 呼吸拔管評估系統 | |
| CN116486458A (zh) | 一种基于图像识别技术的气道评估方法 | |
| TWM631912U (zh) | 呼吸狀態分類系統 | |
| Ward et al. | Pediatric sleep-related breathing disorders: advances in imaging and computational modeling | |
| CN116013118A (zh) | 一种基于增强现实的儿科气管插管培训系统及方法 | |
| Yan et al. | Computed tomography images under deep learning algorithm in the diagnosis of perioperative rehabilitation nursing for patients with lung cancer | |
| Chen et al. | Deep learning for identification of velopharyngeal patency in drug-induced sleep endoscopy | |
| Hu et al. | Cutting-Splicing data augmentation: A novel technology for medical image segmentation | |
| Bing-jin et al. | Research and practice of X-ray chest film disease classification based on DenseNet | |
| De Rosa et al. | The Future of Artificial Intelligence Using Images and Clinical Assessment for Difficult Airway Management | |
| TWI787130B (zh) | 呼吸狀態分類方法及其系統 | |
| Wei et al. | Automatic airway tree segmentation from pediatric CT images with foreign bodies based on convolutional neural network | |
| Tian et al. | A survey for CT-based airway digital reconstruction and applications | |
| Chen et al. | 3D VOSNet: Segmentation of endoscopic images of the larynx with subsequent generation of indicators |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |