开发一个人工智能诊断工具用于儿科远距离半径骨折,一个概念验证的研究

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
• 儿科放射学 儿科放射学

背景情况:

• 儿科骨折很常见,由于生长板的复杂性,手腕骨折带来了诊断挑战.
• 显著的百分比的儿科骨折最初错过了X光检查.

研究的目的:

• 开发和评估一个卷积神经网络 (CNN),用于检测儿科患者的手腕骨折.
• 与放射科医生报告相比,评估CNN模型的诊断准确性.

主要方法:

• 一名CNN模特在19岁以下儿童的5000张远距离半径放射图上接受了训练.
• 使用VGG16模型和数据增强的转移学习被用来提高性能.
• 超参数调整和与放射学报告的比较确定了诊断的准确性.

主要成果:

• 最终的数据集包括增强后的15498张图像.
• 在20个训练时代之后,CNN模型实现了85%的诊断测试准确度.
• 该模型证明了在儿科手腕放射图中识别骨折的可行性.

结论:

• 一种基于CNN的方法是改善儿科手腕骨折诊断准确性的可行工具.
• 这项技术有可能减少不必要的医院访问,并优化医疗保健资源分配.