在使用轨道SPECT/CT的Graves轨道病患者中,基于深度学习的疾病活动诊断
Ni Yao1, Longxi Li1, Zhengyuan Gao2
1School of Computer and Communication Engineering, Zhengzhou University of Light Industry, Zhengzhou, 450002, Henan, China.
概括
这项研究介绍了GO-Net,这是一种用于检测Graves的自动化AI工具.
科学领域:
- 眼科医生 眼科 眼科
- 医疗成像医学成像
- 人工智能的人工智能
背景情况:
- 格雷夫斯轨道病 (GO) 在评估炎症活动时存在诊断挑战.
- 像轨道SPECT/CT这样的当前方法需要大量的医生时间来解释.
- 需要自动化方法来提高GO诊断的效率和准确性.
研究的目的:
- 开发和验证一个自动化的人工智能 (AI) 模型GO-Net,用于检测Graves轨道病变中的炎症活动.
- 为了减少与解释轨道SPECT/CT扫描相关的诊断工作量.
主要方法:
- GO-Net采用两阶段的方法:从CT提取眼外肌肉 (EOM) 的语义V-Net细分 (SV-Net),然后使用SPECT/CT和EOM面具进行分类的卷积神经网络 (CNN).
- 使用了来自478名GO患者的956只眼睛的数据集,数据分为培训,验证和测试.
- 通过专家医生审查来确定细分的基准真相,并使用临床活动得分 (CAS) 和SPECT/CT来诊断GO活性.
主要成果:
- GO-Net模型的灵敏度为84.63%,特异性为83.87%,AUC为0.89,用于区分主动和非主动的GO.
- 与仅CT模型相比,GO-Net显示出更高的诊断性能.
- 该模型对活跃区域的关注被Grad-CAM可视化证实,EOM细分实现了0.82.8的平均IOU.
结论:
- 开发的GO-Net模型准确地检测了Graves的轨道病变活动.
- GO-Net显示了改善GO的诊断过程的巨大潜力.
