[发明专利]一种基于人工智能的困难气道评估方法及装置

说明书

本发明涉及一种基于人工智能的困难气道评估方法和装置，方法包括以下步骤：获取各种姿势的面部图像；构建基于面部识别的特征提取网络，通过训练好的所述特征提取网络提取所述面部图像的特征信息；构建基于机器学习算法的困难气道分类器，通过训练好的困难气道分类器对提取的所述面部图像的特征信息进行困难气道严重程度评分，得到困难气道的评估结果。本发明能够精准的对临床麻醉中困难气道做出预警。

技术领域

本发明涉及计算机辅助技术领域，特别是涉及一种基于人工智能的困难气道评估方法及装置。

背景技术

气管插管是麻醉医生对全身麻醉状态下的患者进行气道管理的重要手段，在保持气道通畅、通气供氧、呼吸支持、维持氧合等方面起到了重要的作用。然而，尽管气管插管技术和设备有了很大的进步和改进，但是困难气道导致的围手术期并发症和伤残的发生率并没有得到很好的改善，特别是对于未预知的困难气道。目前，评估困难气道的方法一般包括Mallampatti分级、LEMON评分、Wilson评分、颈部放疗史及辅助CT、MRI、US等，过程复杂且阳性评估值不高，均存在一定局限性。

发明内容

本发明所要解决的技术问题是提供一种基于人工智能的困难气道评估方法及装置，能够精准的对临床麻醉中困难气道做出预警。

本发明解决其技术问题所采用的技术方案是：提供一种基于人工智能的困难气道评估方法，包括以下步骤：

(1)获取各种姿势的面部图像；

(2)构建基于面部识别的特征提取网络，通过训练好的所述特征提取网络提取所述面部图像的特征信息；

(3)构建基于机器学习算法的困难气道分类器，通过训练好的困难气道分类器对提取的所述面部图像的特征信息进行困难气道严重程度评分，得到困难气道的评估结果。

所述步骤(1)中各种姿势的面部图像为能够反映困难气道的姿态图像，包括正面中立位面部图像、抿嘴微笑面部图像、仰头面部图像、低头面部图像、左侧面面部图像、右侧面面部图像、张口不伸舌面部图像、张口伸舌面部图像和下牙齿咬上嘴唇面部图像。

所述步骤(2)中采用深度学习特征提取网络，所述深度学习特征提取网络由m层神经网络构成，每层网络为卷积层、池化层、转置卷积层、全连接层中的若干种，且第i层和第j层有连接，其中，1i,jm，网络对输出的图像进行编码，输出对应于每个患者的特征。

面部识别任务的损失函数采用人脸识别损失函数，所述人脸识别损失函数采用ArcFace损失函数，所述ArcFace损失函数为：其中，s为人工设置的参数，W_j为所述深度学习特征提取网络中第j层神经网络的权重，x_i为所述深度学习特征提取网络中第i层神经网络的输入特征，m为所述深度学习特征提取网络中神经网络的层数。

所述步骤(3)中的困难气道分类器在进行训练时，以科马克-汉勒评分为Ⅰ-Ⅱ级患者的面部特征与困难气道相关性为0分，以科马克-汉勒评分为Ⅲ-Ⅳ级患者的面部特征与困难气道相关性为1分，作为分类器的输出结果，所述面部图像的特征信息以及患者的身高、年龄、体重信息作为输入。

困难气道分类器为基于决策树的模型，决策树根据增益最大的原则进行分裂，直到达到终止条件为止。困难气道分类器可以采用多颗决策树进行集成，对多颗决策树的结果进行投票表决，得到最终的评估结果。

本发明解决其技术问题所采用的技术方案是：提供一种基于人工智能的困难气道评估装置，包括：图像信息获取模块：用于获取各种姿势的面部图像；数据记录模块，用于存储所述面部图像以及困难气道信息；特征提取模块，用于构建基于面部识别的特征提取网络，通过训练好的所述特征提取网络提取所述面部图像的特征信息；评估模块，用于构建基于机器学习算法的困难气道分类器，通过训练好的困难气道分类器对提取的所述面部图像的特征信息进行困难气道严重程度评分，得到困难气道的评估结果。