以人工智能为基础的诊断,使用外耳形状来诊断带有小头症的mandibulofacial dysostosis

科学领域:

• 医学成像分析分析 医学成像分析
• 医疗保健中的人工智能
• 形状变的诊断 诊断 形状变的诊断

背景情况:

• 带有小头 (MFDM) 的口腔-面部静止症呈现出各种症状,包括面部和头部异常.
• 外耳形态是诊断MFDM和相关遗传疾病的关键特征.
• 从临床上讲,与特雷彻·柯林斯 (TC),纳格 (NAFD) 和CHARGE综合征等疾病的准确区分至关重要.

研究的目的:

• 在MFDM患者中描述外耳表型.
• 开发和验证基于耳朵图像的MFDM分类人工智能模型.
• 用人工智能来区分MFDM与对照受试者和关键差异诊断.

主要方法:

• 利用了来自550名患者的1592张耳朵照片的数据集进行培训和验证.
• 使用卷积神经网络 (CNN) 进行耳朵检测和标志.
• 应用主要组件分析 (PCA) 和极端梯度提升 (XGBoost) 进行分类.

主要成果:

• 人工智能模型在MFDM与控制的二进制分类中实现了高精度 (0.969).
• 多类分类平衡准确率达到0.811对于MFDM与对照和差异诊断.
• 该模型在区分MFDM耳朵与TC,NAFD和CHARGE综合征的耳朵方面表现出显著的表现.

结论:

• 这项研究介绍了第一个基于人工智能的综合征检测模型,用于利用外部耳朵特征的异形学.
• 开发的AI模型显示了MFDM诊断和差异诊断的有希望的临床实用性.
• 这些发现支持AI在改善罕见遗传疾病诊断工作流程方面的潜力.