使用基于图像和临床数据的人工智能预测术后痕的严重程度

科学领域:

• 医疗图像分析 医学图像分析
• 皮肤病学中的人工智能
• 术后痕评估 术后痕评估

背景情况:

• 目标痕评估对于有效的治疗规划至关重要.
• 目前的方法缺乏一个明确的黄金标准来评估痕严重程度.
• 手术后的痕,特别是在甲状腺切除术后,需要可靠的评估工具.

研究的目的:

• 开发和验证人工智能 (AI) 模型,用于预测术后痕严重程度.
• 利用深度神经网络与患者成像和临床数据.
• 将人工智能模型的性能与皮肤科医生的评估进行比较.

主要方法:

• 在1043张甲状腺切除术后痕图像和临床数据上训练了一个深度神经网络.
• 该模型在240名患者的独立外部数据集上进行了验证.
• 使用接收器操作特征曲线 (ROC-AUC) 下的面积量化性能,并与16名皮肤科医生进行比较.

主要成果:

• 基于图像的AI模型实现了ROC-AUC的0.931内部和0.896外部.
• 将临床数据与图像结合起来,可以将ROC-AUC提高到0.938在内部和0.912在外部.
• 人工智能模型的表现与内部测试组中经验丰富的皮肤科医生的表现相当.

结论:

• 深度神经网络模型有效地使用成像和临床数据预测术后痕严重程度.
• 人工智能模型在痕评估中表现出高准确度和可靠性.
• 这种人工智能工具有可能帮助临床医生进行痕管理和及时启动治疗.