| 摘要: |
| 川崎病(Kawasaki disease,KD)是一种严重危害儿
童健康的疾病,临床主要表现为发热、皮疹、黏膜充血、
掌趾红斑、颈部淋巴结肿大等,多发于 5 岁以下的学龄
前期儿童,也是儿童后天性心脏病发生的常见病因。
约 25% 未经过治疗的患儿可出现冠状动脉损害,其中
20% 的患儿可进展为冠状动脉瘤[1]
。 目前 KD 的诊
断、治疗、预防等方面都取得了很大进展,但临床实际
诊疗过程中仍然存在诸多问题[2]
。 KD 的研究热点主
要集中在早期诊断、冠脉损伤风险预测、丙种球蛋白
(IVIG)抵抗预测、KD 预后等方面。 目前亟须开发一
种智能自动、非入侵性且能早期做出较为准确的诊断
及预测风险控制系统。 随着人工智能技术运用于医学
领域,特别是图像识别技术的应用,深度学习手段逐渐
在儿童 KD 领域展现出广阔的应用前景。 可解释性人
工智能(explainable artificial intelligence,XAI)作为一组
方法和工具,可用于更好地理解深度学习模型产生的
结果,帮助人们尝试信任模型本身,进而构建更好的深
度学 习 模 型 并 将 模 型 更 好 地 投 入 实 际 应 用。 |
| 关键词: 川崎病 机器学习 深度学习 可解释性 |
| DOI： |
| 分类号: |
| 基金项目:南充市社会科学研究“十四五”规划 2023 年度项目(编号:NC23C124);川北医学院 2021 年度校级科研发展计划项目(编号:CBY21-QA55);2023 年川北医学院附属医院科研发展计划项目(编号:2023JC019) |
|
|
|
|
|
|
| Abstract: |
|
| Key words: |
