机器学习用于检测全膝关节整形术植入物松动在平面放射图上
Man-Soo Kim1, Ryu-Kyoung Cho1, Sung-Cheol Yang1
1Department of Orthopaedic Surgery, Seoul St. Mary's Hospital, College of Medicine, The Catholic University of Korea, 222, Banpo-daero, Seocho-gu, Seoul 06591, Republic of Korea.
Bioengineering (Basel, Switzerland)
|June 28, 2023
概括
一个深度卷积神经网络 (CNN) 准确地检测到全膝关节整形术 (TKA) 植入物松动在X射线上. 这种人工智能方法显示出高灵敏度和特异性,改善了对假肢关节问题的诊断能力.
科学领域:
- 整形外科手术 整形外科手术
- 人工智能的人工智能
- 医疗成像医学成像
背景情况:
- 假肢关节松动是全膝关节整形术 (TKA) 后的一个常见并发症.
- 准确地检测TKA植入物松在平面放射图上对于及时干预至关重要.
- 当前的诊断方法可能在灵敏度和特异性方面存在局限性.
研究的目的:
- 评估深度卷积神经网络 (CNN) 在检测全膝关节关节整形术 (TKA) 植入物松动时的准确性.
- 将两个转移学习方法进行比较,以优化CNN在此诊断任务中的性能.
主要方法:
- 分析了100个经过修订的TKA病例和100个没有放松的初级TKA病例的数据集.
- 使用预先训练的视觉几何组 (VGG) 19模型进行转移学习.
- 开发了两个转移学习模型,在卷积层结和再培训的程度上有所不同.
主要成果:
- 转移学习模型1实现了87.5%的准确性,90%的灵敏度和100%的特异性.
- 转移学习模型2表现出卓越的性能,达到97.5%的准确性,100%的灵敏度和97.5%的特异性.
- 这两种模型都表明了CNN在检测TKA植入物松动方面的潜力.
结论:
- 使用转移学习的深度卷积神经网络 (CNN) 在识别全膝关节关节整形术 (TKA) 植入物松动时表现出高准确度.
- 这些发现表明,CNN可以成为帮助放射科医生和骨科外科医生诊断TKA植入物并发症的宝贵工具.
- 需要进一步的研究和验证,以将这种AI技术整合到常规临床实践中.
