深度学习可以区分关节无血管缩的早期和晚期
Michail E Klontzas1,2,3,4, Evangelia E Vassalou1, Konstantinos Spanakis1
1Department of Radiology, School of Medicine, University of Crete, Voutes Campus, Heraklion, Greece.
European radiology
|August 15, 2023
概括
一个深度学习模型准确地区分了早期和晚期的部无血管缩 (AVN),有助于治疗决策. 这种卷积神经网络组合的表现与专家放射科医生的表现相当.
科学领域:
- 人工智能在医学中的应用
- 医学成像分析 医学成像分析
- 整形外科手术 整形外科手术
背景情况:
- 部血管性亡 (AVN) 需要准确的分期才能有效治疗.
- 区分早期和晚期的AVN对于确定保守与外科手术的干预至关重要.
研究的目的:
- 开发和验证一种深度学习方法,以区分早期 (ARCO 1-2) 和晚期 (ARCO 3-4) AVN 阶段.
- 将深度学习模型的性能与专家肌肉骨放射学家进行比较.
主要方法:
- 三个卷积神经网络 (CNN) VGG-16,Inception ResnetV2和InceptionV3使用转移学习进行训练,并在104名AVN患者的MRI检查队列上进行了微调.
- 创建了一个共识CNN合奏,需要至少两个CNN的同意才能做出决定.
- 模型的性能在49名患者的独立外部队列上进行了评估,并与两名MSK放射科医生进行了比较,使用了AUC,精度,回忆和f1分数等指标.
主要成果:
- 在内部测试中,Inception-ResnetV2获得了最高的AUC99.7%.
- 美国有线电视新闻 (CNN) 组合表现出强的表现,在外部验证中AUC为85.5%.
- 在CNN组合的表现和MSK专家放射科医生的表现之间没有发现显著差异 (p=0.22和p=0.092).
结论:
- 一个经过外部验证的CNN组合精确地区分了AVN的早期和晚期.
- 深度学习方法在AVN分期中为专家放射科医生提供了可比的性能.
- 这种人工智能方法可以协助复杂的临床决策进行AVN治疗,指导保守和手术选择之间的选择.
