视觉级联渐进卷积神经网络 (C-PCNN) 用于诊断阴茎损伤
Yingkai Ma1, Yong Qin1, Chen Liang1
1Second Affiliated Hospital of Harbin Medical University, Harbin Medical University, Haerbin 150001, China.
Diagnostics (Basel, Switzerland)
|June 28, 2023
概括
一种新的人工智能模型,即级联渐进的卷积神经网络 (C-PCNN),可以准确地通过MRI扫描来诊断膝盖半径损伤. 这种人工智能工具协助医生,提高诊断速度和临床实践中的准确性.
科学领域:
- 医学成像分析 医学成像分析
- 医疗保健中的人工智能
- 骨科诊断 骨科诊断 骨科诊断
背景情况:
- 阴茎损伤是常见的膝盖疾病,需要准确及时诊断.
- 磁共振成像 (MRI) 是可视化膝盖结构的关键模式,包括半径.
- 当前的诊断方法可能耗时,并且可能从人工智能辅助工具中受益.
研究的目的:
- 开发一种新的自动卷积神经网络 (CNN),用于使用MRI诊断阴囊损伤.
- 为了能够可视化阴茎损伤特征.
- 为了提高诊断的准确性,并减少诊断时间,膝盖阴茎损伤.
主要方法:
- 一个级联渐进的卷积神经网络 (C-PCNN) 已被开发用于从MRI诊断阴囊损伤.
- 通过5倍交叉验证,C-PCNN对1396张医院收集的图像进行了培训和测试.
- 使用准确度,灵敏度,特异性,ROC,并与医生诊断进行比较来评估性能.
主要成果:
- 在C-PCNN中,前角损伤诊断的准确率达到85.6%,后角损伤诊断的准确率达到92%.
- C-PCNN的整体平均准确率为89.8%,AUC为0.86.
- 医生诊断的准确性提高了C-PCNN的帮助,变得与首席医生相当.
结论:
- 基于C-PCNN的MRI技术在诊断膝关节阴茎损伤方面具有显著的临床实用性.
- 这种人工智能工具提供了高精度,潜在地增加了诊断速度,并减少了临床医生的错误.
- 对于临床医生来说,C-PCNN是诊断阴茎损伤时的宝贵助手.
