筛选无铅植入电子器件的人工智能模型

随着小型化、电池技术和通信技术的进步，小型无铅植入电子设备(LLIEDs)已成为依赖铅的心律管理设备的更安全替代品。胸内LLIEDs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，它们的后续检测和识别(位置、一般类别、具体类型等)是至关重要的，特别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，现有的方法包括直接交互在病人和医生之间，电子医疗记录(EMR)和胸部x光片(CXR)提供的信息有限和不充分。因此，它们不足以识别进化中的、不常使用的和小得多的lids。此外，小的llies尺寸，次优的筛选技术，运动相关的模糊，和相似的外观使问题复杂化。

在紧急情况下，CXR上的lids很容易被忽略。此外，无法分辨llie是起搏器还是记录仪会使患者在MRI扫描时处于相当大的风险中。尽管两者都被认为是“MRI条件”，但起搏器需要心脏病学设备和患者在MRI检查前后(可能是在MRI检查期间)的监督。

针对MRI预筛查过程中对LLIEDs的快速、准确检测的需求，本研究提出了一种新的检测方法人工智能基于(AI)的模型之前是由美国佛罗里达州梅奥诊所的放射科医生Richard D. White领导的研究人员开发的医学影像杂志， White的团队评估了该模式的准备情况和操作前提条件，以期取得进展现实世界的应用程序．

“根据其MRI暴露安全性，LLIEDs跨越了一系列类别，从‘MRI有条件’到‘MRI不安全’。我们识别持续发展的LLIEDs的AI模型是基于llie分类，从追溯和/或未来全组织CXR数据中识别和标记感兴趣的区域，”White解释道。

在部署前的评估中，团队使用了两层级联方法，包括llie检测(第1层)和分类(第2层)。在第1层期间，他们进行了5次交叉验证，以评估最初包含9个llie类别的“原始llie模型”的耐久性。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150张来自随机选择的新患者的CXR图像，已经揭示了3个新的llie类别。

此外，该团队还整合了一些必要的技术开发，以促进他们的AI模型在现实世界的部署。其中包括用于成像的零占用(ZF GUI/Viewer)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)，以及最重要的是，通过添加3种新的l谎言类型来创建12类“更新l谎言模型”的持续学习。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。

第1层研究对9级和12级的LLIEDs都产生了100%的检测/定位灵敏度，并且通过五倍交叉验证进一步证实了其持久性。在第2层，两个模型在识别llie类型(MRI安全类别和特定类型)方面都达到了非常高的准确性。虽然在第1层中没有LLIEDs未被检测到，但在第2层中出现的少数识别错误案例被归因于图像质量不佳。值得注意的是，AI模型没有错误识别任何“MRI严格条件”或“MRI不安全”的lids。

在讨论他们研究的意义时，White说:“虽然AI模型的实际价值只能在真实的临床环境中进行评估，但这些结果乐观地支持在不久的将来部署AI模型，以帮助放射科医生对患者安全进行筛查前评估。”

该团队专注于模拟真实世界的条件，以验证他们的模型，并基于最终用户体验将持续学习、再培训和AI模型现代化。这是第一个报道基于人工智能的放射学检测和识别LLIEDs的研究。

展望未来，怀特和他的团队计划利用这些结果，在一个相关的临床．他们还希望通过未来对AI模型的再培训和微调来解决这项研究的局限性。

---

---