跳到主要内容
返回时间线
Nature Biomedical Engineering来源发表:

成人气管插管AI模型改给新生儿用:30家NICU接力微调,定位误差从1.29厘米降到0.67厘米

核心概要

成人气管插管AI模型此前难以直接用于新生儿,因为新生儿影像数据稀缺、跨机构共享受隐私限制。一项覆盖20个国家和地区、30家新生儿重症监护病房的国际回顾性研究改用持续学习:模型在各医院间依次传递,每家只用本地50张胸片在自己环境里重训,不共享患者数据。最终模型的气管导管尖端与隆突联合定位误差平均为0.67厘米,低于医院单独微调的1.29厘米和成人模型直接预测的4.30厘米,并在30家医院中的29家改善定位、27家改善深插管检出。

Source-provided article image: Repurposing adult AI radiograph models for neonatal care through continual learning: an international multicentre study.
Fig. 1 · PubMed

深度剖析

新生儿胸片上的气管导管位置评估现在可以由一个从成人数据出发的模型完成,而不必为每个医院从头训练。 此前成人模型直接用于新生儿时性能明显下降,而各医院单独用本地数据微调又受限于每家只有少量标注影像。 在20个国家和地区30家新生儿重症监护病房的回顾性队列上,持续学习模型的导管尖端与隆突联合定位误差平均为0.67厘米,医院单独微调为1.29厘米,成人模型直接预测为4.30厘米;30家医院中29家定位误差下降,27家达到统计显著。

模型在各医院之间依次传递,每家医院只在自己院内用50张胸片重训,再把更新后的权重交给下一家。 这条路径不需要集中汇集患者影像,也不需要各院搭建同步的分布式训练设施。 研究共纳入2,965张新生儿胸片、2,960名患者,每家医院固定贡献50张训练影像,结果在10种随机医院顺序上取平均;模型权重已公开。

顺序训练没有让模型忘掉早先见过的医院,反而随着加入的医院增多继续改善。 持续学习常见的风险是后续更新覆盖先前知识,使早期站点性能退化。 在100种随机顺序下比较每家医院训练刚结束时的中间模型与走完全部序列的最终模型,序列起始位置的联合定位误差平均再降0.48厘米,改善幅度随序列位置后移而减小(Spearman ρ = −0.85,P < 0.001)。

启示与展望

这是一项回顾性概念验证,覆盖20个国家和地区30家新生儿重症监护病房,患者为0至6月龄、以早产儿为主。所有实验在中心环境模拟去中心化执行,每家医院贡献约100张胸片、其中50张用于训练。模型权重已公开,但受数据使用协议限制,胸片影像不公开。作者提出下一步是在部分参与医院把模型接入新生儿重症监护工作流,前瞻测量异常导管位置的确认时间、临床医生对模型标记病例的认同度以及再插管率的变化。

研究要求各医院提供类别均衡的数据集,真实异常导管位置患病率变化时性能可能不同。像素到厘米的换算依赖估计的导管宽度,这很可能造成导管尖端与隆突距离同临床标签的相关性不完美,高位置插管的对应关系明显弱于低位置。一家低分辨率影像医院被排除在主要分析之外,纳入后联合定位误差从0.67厘米升至0.75厘米,提示数据质量异质性可能限制收益。作者还指出,持续学习模型的持续更新可能给监管带来复杂性,且极早产儿可接受的导管位置余量更窄,需要前瞻验证其精度是否足够。