RT期刊文章SR Electronic T1 Deep learning algorithm有助于标准化ATS/ERS肺活量可接受性和可用性标准JF欧洲呼吸杂志JO Eur Respir J FD欧洲呼吸学会SP 2000603 DO 10.1183/13993003.00603-2020 VO 56 IS 6 A1 Das，Nilakash A1 Verstraete，Ke188bet官网地址nneth A1 Stanojevic，Sanja A1 Topalovic，马尔科A1阿尔茨，让-马里A1杨森，威斯康星州//www.qdcxjkg.com/content/56/6/2000603.abstract AB基本原理虽然美国胸科学会（ATS）/欧洲呼吸学会（ERS）的肺活量测定质量控制标准包括几个定量限值，但也需要手动目视检查。当前的方法非常耗时，导致技术间的高度可变性。我们提出了一种称为卷积神经网络（CNN）的深入学习方法，以标准化肺活量计操作的可接受性和可用性 873条曲线来自2011-2012年美国国家健康和营养检查调查，技术人员将54%的曲线标记为符合ATS/ERS 2005可接受性标准，试验开始和结束均令人满意，但在1年内确定93%的曲线具有可用的强制呼气量 s我们将原始数据处理成最大呼气流量-容积曲线（MEFVC）图像，计算ATS/ERS可量化标准，并开发CNN，以确定90%曲线上的操纵可接受性和可用性。在剩余10%的曲线上测试模型。我们计算Shapley值来解释模型。结果在测试集中（n=3738），CNN显示可接受性的准确率为87%，可用性的准确率为92%，后者显示出高度的敏感性（92%）和特异性（96%）。它们显著优于基于ATS/ERS可量化规则的模型（p<0.0001）。Shapley解释显示MEFVC<1 s（呼气第一秒钟内的MEFVC模式）和容积-时间平台在确定可接受性方面最为重要，而MEFVC<1 结论CNN确定了肺活量曲线中的相关属性，以标准化ATS/ERS操纵可接受性和可用性建议，并进一步提供个人操纵反馈。我们的算法结合了熟练技术人员的视觉经验和ATS/ERS定量规则，实现肺活量测量质量控制关键阶段的自动化。开发了深度学习模型，以标准化ATS/ERS肺活量测量的可接受性和可用性标准。这种方法降低了技术间的可变性，并向用户提供即时反馈https://bit.ly/3dNFe1i