一种基于深度学习的CT造影剂外渗预测模型及其构建方法技术

本发明专利技术提供了一种基于深度学习的CT造影剂外渗预测模型及其构建方法，该方法包括：S101，定义研发CAE三分类预测深度学习模型的用例；S103，回顾性搜集CAE数据建立三分类模型研发队列；S105，样本数据的处理；S107，在处理完的CAE数据集上进行开发和训练；S109，量化风险因素权重；S111，模型测试与调优。本发明专利技术具有以下效果：(1)本发明专利技术进一步验证影响CAE的各项风险因素，并将各因素定量化，为完善行业指南提供理论依据。(2)将人工智能预测模型引入影像护理流程，通过数字化、智能化手段减少了CAE评估中护理工作经验的依赖以及受主观性判断的影响。(3)在降低护理负担、提升护理效率的同时，减少了不良事件的发生，提升了患者临床安全。

【技术实现步骤摘要】

本专利技术属于医疗领域，具体而言，涉及一种基于深度学习的ct造影剂外渗预测模型及其构建方法。

技术介绍

1、ct造影剂外渗(contrast agent extravasation，cae)是行增强ct扫描时造影剂冲破血管壁或留置针渗入肌肉组织的现象，是增强ct最常见的不良事件之一。穿刺部位、留置针型号、血管状态、造影剂流速、造影剂浓度等诸多因素均会不同程度诱发cae。cae具有发生隐匿且进展迅速的特点，会造成局部肿胀、疼痛、皮损，甚至诱发组织坏死等严重后果，所以提前并准确预测cae对提升患者安全和医疗质量具有极高的临床意义。目前应对cae的主流临床干预法是护理在穿刺时根据推注手感与既往经验对该患者cae发生概率进行预估并提示扫描技师修改相应的个性化扫描参数来降低cae发生概率。此方法极度依赖于护理工作经验且受主观性判断影响较强。

技术实现思路

1、为定量诱发cae的风险因素并解决以上问题，本专利技术提出利用深度学习算法对增强ct扫描时发生cae的风险因素进行分析并预测，即一种基于transformer算法的本文档来自技高网...

【技术保护点】

1.一种基于深度学习的CT造影剂外渗预测模型的构建方法，其特征在于，包括：

2.根据权利要求1所述基于深度学习的CT造影剂外渗预测模型的构建方法，其特征在于，S101，定义研发CAE三分类预测深度学习模型的用例，包括：

3.根据权利要求1或2所述基于深度学习的CT造影剂外渗预测模型的构建方法，其特征在于，S103，回顾性搜集CAE数据建立三分类模型研发队列，包括：

4.根据权利要求3所述基于深度学习的CT造影剂外渗预测模型的构建方法，其特征在于，S103，回顾性搜集CAE数据建立三分类模型研发队列，还包括：

5.根据权利要求1或2所述基于深...

【技术特征摘要】

1.一种基于深度学习的ct造影剂外渗预测模型的构建方法，其特征在于，包括：

2.根据权利要求1所述基于深度学习的ct造影剂外渗预测模型的构建方法，其特征在于，s101，定义研发cae三分类预测深度学习模型的用例，包括：

3.根据权利要求1或2所述基于深度学习的ct造影剂外渗预测模型的构建方法，其特征在于，s103，回顾性搜集cae数据建立三分类模型研发队列，包括：

4.根据权利要求3所述基于深度学习的ct造影剂外渗预测模型的构建方法，其特征在于，s103，回顾性搜集cae数据建立三分类模型研发队列，还包括：

5.根据权利要求1或2所述基于深度学习的ct造影剂外渗预测模型的构建方法，其特征在于，s105，样...

【专利技术属性】
技术研发人员：鲍竹青，朱熹，王超，陈月莉，左霞，朱庆强，
申请(专利权)人：江苏省苏北人民医院，
类型：发明
国别省市：