随着小型化、电池技术和通信方面的进步，小型无引线植入式电子设备 (LLIED) 已成为铅依赖型心律管理设备的更安全替代品。胸腔内 LLIED 不仅可以帮助心脏起搏，还可以监测心血管和电生理活动以及非心血管生理。
然而，它们随后的检测和识别(位置、一般类别、特定类型等)至关重要，尤其是在涉及电磁和射频暴露的磁共振成像 (MRI) 扫描等情况之前。
在 MRI 前安全筛查中，涉及患者与医生之间直接互动的现有方法、电子病历(EMR) 和胸部 X 光 (CXR) 提供的信息有限且不充分。因此，它们不足以识别不断发展的、不经常使用的和小得多的 LLIED。此外，较小的 LLIED 尺寸、次优筛选技术、与运动相关的模糊和外观相似性使问题更加复杂。
在紧急情况下，LLIED 很容易在 CXR 上被忽略。此外，无法判断 LLIED 是起搏器还是记录器，可能会使患者在 MRI 扫描期间面临相当大的风险。尽管两者都被认为是“有条件的 MRI”，但起搏器在 MRI 检查之前和之后以及可能在期间需要心脏病学设备和患者监督。
为了满足在 MRI 预筛查期间快速准确检测 LLIED 的需求，美国佛罗里达州梅奥诊所的放射科医生 Richard D. White 领导的研究人员先前开发了一种基于人工智能(AI) 的模型。 White 的团队发表在《医学影像杂志》上，评估了该模型的准备情况和操作先决条件，目的是向实际应用迈进。
“根据 MRI 暴露安全性，LLIED 涵盖了一系列类别，从‘MRI 有条件的’到‘MRI 不安全’。我们用于识别不断发展的 LLIED 的 AI 模型基于 LLIED 分类，该分类是从回顾性和/或未来组织范围的 CXR 数据中识别和标记感兴趣区域获得的，”White 解释说。
对于部署前评估，该团队使用了两层级联方法，包括 LLIED 检测(第 1 层)和分类(第 2 层)。他们在第 1 层期间进行了五次交叉验证，以评估最初包含 9 个 LLIED 类别的“原始 LLIED 模型”的耐用性。为了模仿真实世界的试验，他们进一步将两层级联 AI 模型应用于来自随机选择的新患者的 150 个新 CXR 图像，已经揭示了 3 个新的 LLIED 类别。
此外，该团队还结合了一些重要的技术开发，以促进其 AI 模型的实际部署。其中包括用于成像的零占用空间 (ZF GUI/查看器) 查看平台、用于支持最终用户推理结果裁决的 DICOM 结构化报告 (DICOM-SR)，最重要的是，通过添加 3 个新 LLIED 进行持续学习类型以创建 12 类“更新的 LLIED 模型”。然后，他们使用新的附加案例使用两层方法进一步测试该模型。
标签：
免责声明：本文由用户上传，如有侵权请联系删除！