在中国使用深层卷积神经网络模型对肝球菌的超声波鉴定:一项回顾性,大规模,多中心的诊断准确性研究
Yongfeng Yang1, Yangdan Cairang2, Tian'an Jiang3
1Department of Interventional Ultrasound, The Fifth Medical Centre of Chinese People's Liberation Army General Hospital, Beijing, China; Graduate School of Chinese People's Liberation Army, General Hospital, Beijing, China.
The Lancet. Digital health
|July 28, 2023
概括
一个深层卷积神经网络 (DCNN) 模型使用超声波图像准确地识别了球菌病. 这种人工智能工具增强了放射科医生的诊断能力,特别是在偏远地区.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 寄生虫学的寄生虫学
背景情况:
- 超声波是诊断球菌病的主要方法.
- 超声波使用的挑战和资源限制可能会推迟诊断,特别是在偏远地区.
- 肺气管内球菌病的诊断仍然是一个挑战.
研究的目的:
- 开发一种深层卷积神经网络 (DCNN) 模型,用于使用超声波识别球菌.
- 为了分类不同类型的 echinococcosis,专注于气泡状 echinococcosis.
- 在资源有限的环境中提高诊断准确性和可访问性.
主要方法:
- 一项大规模的多中心回顾性研究,使用来自6784名患者的9631张肝脏超声波图像 (2002-2021年).
- 测试了ResNet-50,ResNext-50和VGG-16架构,用于DCNN模型开发.
- 在四个诊断阶段训练并验证了DCNN模型,将其性能与12名放射科医生进行比较.
主要成果:
- 该ResNet-50 DCNN模型在区分球菌类型方面表现出高准确度 (AUC范围从0.900到0.986).
- 该模型在识别球菌病 (AUC 0.942与0.844) 方面表现优于高级放射科医生.
- 人工智能辅助显著改善了初级,临床和高级放射科医生的诊断性能.
结论:
- 通过超声波,DCNN模型是准确的和强大的诊断球菌病及其亚型.
- 这种人工智能工具可以显著提高放射科医生的诊断能力在特有和偏远地区.
- 该模型提供了一种有前途的解决方案,可以提高球菌病诊断的可访问性和准确性.
