使用面部图像通过深度学习（卷积神经网络）建立插管难度分类人工智慧模型：一项观察性研究

点击“蓝字”高度重视，来得多精彩内容! 背景：

口部心脏是尽可能心肌安全的金标准规范，在住院治疗监护室和于在察觉到心脏艰难的情况并不少见。现阶段，对于不熟悉口部心脏的外科医生、外科和医护人员来说，无才可一种客观的方法来审核即时情况下的心脏艰难。AI(AI)由于其先进的机动性，现阶段被广泛应用于现代医学成像。我们目的建立一个AI数学模型，运应用于滤波神经网络(CNN)从鼻子上图象里对心脏艰难完成分类法，该数学模型将患儿的鼻子上图象与也就是说心脏挑战性直接联系起来。

受试者的必才可

考虑标准规范：年龄四组少于20岁，头面颈部有切除史的患儿（神经外科、心脏外科、咽外科、药学、眼科、甲状腺、脊椎和食道切除），行口部心脏的外科医生临床潜能不悦3年；初次心脏时外科医生没运应用于MaCintosh喉镜；运应用于其他设备心脏、运应用于声门上心肌设备、患有痴呆或不会遵循指示单手、患有精神障碍以及因参与其他研究而不会参与本研究。

统计数据查阅与处理

著者查阅了术后第二天患儿的年龄四组、性别、体重指数、为基础疾病、MPC、IIG、TMD、HLM、BT、ULBT等密切相关文献资料，并对16种完成了鼻子上图象野外。所有这些上图象都以JPEGXML保存，并相应为512px×512px以减少过多的功能和量度复杂性。

本研究依Cormack-Lehane这两项分为非心脏艰难四组（有趣四组，Ⅰ级和Ⅱ级）和心脏艰难四组（艰难四组，Ⅲ级和Ⅳ级）。在给予的上图象里，80%作为基础训练统计数据，其余20%作为测试统计数据完成解答审核。为了防止数学模型的过度进修，对基础训练统计数据完成了扩展，将基础训练统计数据从0.7次扩展到1.3次，纠正了有趣四组和艰难四组彼此间病亦然存量的偏差。

本研究的数学模型是在VGG16的13个滤波层的为一新减少一个滤波层来建起的，输出的是输入上图象是否为有趣/艰难上图象。基础训练数学模型后，为了让预分割上图象统计数据集（测试统计数据）完成解答审核，有效性了假设心脏挑战性的可用性。采用二次平行相变作为严重损失函数，Adam作为优化方法，电脑程式用10-30个时代和16-32个批次基础训练数学模型。高度评价衡量是测试统计数据的可用性、持久性、抗体和根据ROC切线量度的AUC。作应用于AI数学模型后，为了让上图象统计数据集，用梯度类激活上图（Grad-CAM）对数学模型的高度评价估域完成上图形，完成解答高度评价。

类激活热上图是根据有趣/艰难分类法的结果量度每个地带的不可忽视性而作应用于的二维上图象，热上图上的红色和黄域声称AI数学模型认为对有趣/艰难分类法很不可忽视的地带。将应用于解答审核的上图象的类激活热上图里的每个像素的RGB值（红、绿、蓝值）完成四组合和大约，大致相同有趣四组和艰难四组建立单个上图象（RGB大约上图象）。

统计数据偏倚的处理

为了减少随机划定上图象统计数据完成基础训练和解答审核所引发的统计数据偏倚的影响，我们完成了五重平行有效性。此外，在建立这五个统计数据集时，我们运应用于k折平行有效性来防止有趣四组和艰难四组的栖息于不存在任何偏差。我们在每个统计数据集上对数学模型完成基础训练和审核，并量度每个统计数据集的AUC，AUC的里位数揭示为每个上图象数学模型的结果。

Keras2.24原旧版本作为深度进修库，微软2019原版Visual Studio Code作为开发环境。此外，所运应用于的分析硬件为Intel Core i7 CPU、NVIDIA GeForce RTX 2080 SUPER 8GB GPU 和 Microsoft Windows 10 Home OS。EZR1.41原版应用于所有统计分析，结果声称为均值±标准规范差和二进制（百分比）。根据实现的数学模型作应用于ROC切线，并量度也就是说心脏艰难的不存在与否、可用性、持久性、抗体和AUC。当AUC>0.700且95%置信区间（CI）下限>0.500时，实现的数学模型具有足够的病人能力。

结果：

从2020年4年初10日（UMIN注册开始日期）到2020年8年初31日，共约1043名患儿计划在全麻下完成切除。其里752名患儿被考虑外，75名没给予患儿同意，9名患儿缺少Cormack-Lehane这两项的统计数据，还有两名患儿为同一人。共约838名患儿被考虑外，205名患儿符合条件。此外，考虑了两名统计数据较差的患儿（一名患儿由于毛发的不存在而不会辨认鼻子轮廓，另一名患儿的上图象没对焦）和一名因成像设备问题而丢失上图象的患儿。就此，共约202名患儿被纳入分析。

202亦然患儿里，男性92亦然，女性110亦然，里年人四组63.9±14.2岁。根据ASA这两项，15.8%为ASA Ⅰ级，67.8%为ASA Ⅱ级，16.3%为ASA Ⅲ级。外科医生的实习年限在全麻此后给病童心脏的年龄四组为11.2±6.9年。本研究的切除类别详见表2。此外，26.7%的病亦然被认为心脏艰难。

易心脏患儿与难心脏患儿的统计数据差异为3:1。在对患儿鼻子上图象完成建模之前，20% 的统计数据被保存为测试统计数据。以KFOLD1为亦然，将有趣四组30幅上图象和艰难四组11幅上图象保存为测试统计数据（占总上图象的20%），有趣四组剩余的118张上图象和艰难四组剩余的43张上图象用作基础训练统计数据（占总上图象的80%）。在基础训练统计数据里，有趣四组不断扩大了3次，艰难四组不断扩大了9次。事与愿违，有趣四组有354条基础训练统计数据，艰难四组有387条基础训练统计数据。

上图6揭示了哑铃斜向磕头基位的进修切线。蓝点声称基础训练统计数据，灰线声称测试统计数据。测试统计数据和基础训练统计数据的进修切线一致，说明AI数学模型进修正常。

统计数据集1里哑铃斜向磕头基位的AI数学模型在epoch 20时的准确度为80.5%（表4）。根据AI数学模型的假设手绘ROC切线，对也就是说心脏艰难程度完成分类法，并将其与从患儿鼻子上图象给予的心脏艰难程度相直接联系，量度了灵敏度、抗体和 AUC（表5）。AI数学模型的AUC应用于分类法从患儿鼻子上图象给予的心脏艰难程度，仅限于为0.387[0.168-0.605]到0.864[0.731-0.969]。哑铃斜向磕头基位AI数学模型的最大AUC为0.864[0.731-0.969]，准确度、持久性和抗体大致相同80.5%、81.8%和83.3%（上图7）。哑铃斜向张口基位AI数学模型的AUC为0.758[0.594-0.921]，哑铃斜向磕头后弯位AI数学模型的AUC为0.727[0.568-0.886]，即足以病人心脏艰难。

在运应用于Grad-CAM完成哑铃斜向磕头基位的类激活热上图里，容易心脏的上图象里，视点一般而言集里在颏尖到背部的地带，而在艰难心脏的上图象里，不会特定地带的视点集里。在RGB大约上图象里，有趣四组的视点偏向于从颏尖到背部的地带，而艰难四组的视点偏向于分散（上图8，9）。

根据本研究里患儿心脏艰难的各种假设因素和也就是说心脏艰难的不存在或不不存在实现ROC切线，并量度持久性、抗体和AUC（表6）。心脏艰难的各种假设系数的AUC仅限于从 0.558 [0.467-0.649] 到 0.673 [0.595-0.750]，其里Mallampati这两项是最大的假设系数。至今还没不会发现都能区分艰难心脏各种假设因素的单个衡量。而基于哑铃斜向磕头曲率半径上图象的AI心脏艰难分类法数学模型AUC为0.864[0.731-0.969]，准确度为80.5%，持久性为81.8%，抗体83.3%，说明该数学模型具有足够的病人能力。

神麻人智的简述：

本研究首次尝试为了让为了让深度进修辨认艰难心肌，我们可以来得大规模地筹划临床研究，现如今艰难心肌热上图统计数据库系统。建模便于除此以外科、ICU和急诊科外科医生在内的临床外科医生预判心脏艰难患儿，提前决定有较丰富的即时心肌建起潜能的外科医生完成心肌建起，可大幅提高才可即时心肌建起患儿的存活率，防止无效心脏延误抢救时机。不足之处在于，仅纳入山形大学医院择期切除患儿为研究对象，一是降低了艰难心脏患儿的比率，二是缺少婴幼儿及高龄受试者，三是上图象野外局限于单里心研究受试患儿的容貌特征，因而研究结果缺少别具特色和普遍性。因此，筹划多里心临床研究以期建起来得完善的艰难心肌辨认热上图统计数据库系统的不可忽视性不言而喻。

编译：史瑞珍，王和暄

简述：邓萌

原始文献：

Tatsuya Hayasaka, Kazuharu Kawano, Kazuki Kurihara, Hiroto Suzuki, Masaki Nakanehe, Kaneyuki Kawamae; Creation of an artificial intelligence model for intubation difficulty classification by deep learning (convolutional neural network) using face images: an observational study. Journal of Intensive Care,9,382021.