舌下微循环可能在功能和形态上表现出疾病特有的变化。最近，基于算法的手持式生命显微镜(HVM)测得的功能微循环血流动力学指标可以识别与COVID-19相关的微循环血流动力学改变。

近日，危重病医学领域权威杂志Critical Care上发表了一篇研究文章，研究人员假设有监督的深度机器学习可以用于识别之前未知的微循环变化，并结合算法量化的功能变量提高模型的性能，以区分COVID-19危重患者和健康志愿者。

研究人员采用4个国际、多中心的COVID-19危重患者和健康志愿者队列(n=59/n=40)进行神经网络训练和内部验证，以及功能微循环血流动力学变量的量化。在第二个队列(n=25/n=33)中进行了模型的独立验证。

157名受试者纳入了692个图像序列。对于基于算法、基于深度学习和组合的模型，bootstrap内部验证得到的COVID-19状态检测AUROC(CI)分别为0.75(0.69-0.79)、0.74(0.69-0.79)和0.84(0.80-0.89)。个体模型在外部验证中的表现分别为0.73(0.71-0.76)和0.61(0.58-0.63)。结合神经网络和基于算法的识别得到了最高的外部验证AUROC为0.75(0.73-0.78)(与内部验证和单个模型相比P<0.0001)。

由此可见，研究人员成功地训练了一个基于深度学习的模型，在舌下HVM图像序列中区分COVID-19危重患者和健康志愿者。经过内部验证，深度学习优于算法方法。然而，与单独的两种方法相比，将深度学习方法与基于算法的方法相结合来量化微循环的功能状态显著提高了其敏感性和特异性，并能够成功地通过外部验证确定与COVID-19状态相关的微循环改变。

原始出处：

Matthias Peter Hilty.et al.Microcirculatory alterations in critically ill COVID-19 patients analyzed using artificial intelligence.Critical Care.2022.https://ccforum.biomedcentral.com/articles/10.1186/s13054-022-04190-y

Tags： Crit Care：利用人工智能分析了COVID-19危重患者的微循环变化