文章摘要
朱熹，吴晓庆，叶靖，黄文诺，夏巍，尚松安，左霞，赵霞，罗守华，鲍竹青.基于深度学习的静脉高压注射碘对比剂外渗风险预测模型[J].放射学实践,2026,41(07):824-828
基于深度学习的静脉高压注射碘对比剂外渗风险预测模型
  
DOI：10.13609/j.cnki.1000-0313.2026.07.014
中文关键词: 对比剂外渗  深度学习  Transformer  风险特征
英文关键词: 
基金项目:国家自然科学基金资助项目（82202120）；扬州市科技计划（YZ2024090）；江苏省苏北人民医院院级护理研究专项（SBHL23005）
作者单位
朱熹，吴晓庆，叶靖，黄文诺，夏巍，尚松安，左霞，赵霞，罗守华，鲍竹青 225001江苏,江苏省苏北人民医院医学影像科（朱熹、叶靖、黄文诺、夏巍、尚松安）,急诊室（左霞、赵霞、鲍竹青）；214135江苏,东南大学生物科学与医学工程学院（朱熹、罗守华）；116000辽宁,大连医科大学医学影像学院（吴晓庆） 
摘要点击次数: 112
全文下载次数: 86
中文摘要:
  【摘要】目的：本研究旨在构建基于深度学习的静脉高压注射碘对比剂外渗（CME）风险预测模型，整合多维度临床数据以精准识别CME高风险患者。方法：采用Transformer深度学习架构，基于双中心临床数据，构建二分类预测模型。模型输入包括16项关键变量，使用Focal loss作为损失函数，处理样本不平衡问题。使用五折交叉验证进行内部评估，并在外部测试集上进行验证。结果：模型在内部队列和外部测试集的平均准确率为93.24%、92.21%，召回率为84.85%、80.80%，阳性预测值为9.98%、9.36%，阴性预测值为99.87%、99.80%，F1分数为0.17、0.17，Cohen's Kappa系数为0.17、0.15，Matthews相关系数为0.28、0.26，受试者操作特征（ROC）曲线下面积为0.89、0.86。结论：本研究构建的CME风险预测模型在不同数据集上的对高风险个体预测显示出较好的准确性和泛化能力，具有潜力作为实时CME辅助预警工具。未来研究将进一步优化模型精度，并在更广泛的临床环境中验证其可解释性与应用价值。
英文摘要:
    
查看全文   下载PDF阅读器  HTML全文
关闭