一个深度学习管道用于诊断儿科内肠接并评估超声波扫描期间的严重程度:一个多中心的回顾性-前性研究

科学领域:

• 儿科放射学 儿科放射学
• 人工智能在医学中的应用
• 医学成像分析 医学成像分析

背景情况:

• 伊利奥科里克内肠是常见的儿科急性腹部,需要通过超声波进行紧急诊断.
• 准确的诊断和对内静脉切割手术指示的评估需要显著的超声波专家经验.
• 当前的诊断方法在速度和一致性方面存在挑战,特别是对于经验较少的从业者来说.

研究的目的:

• 开发和验证一个实时深度学习 (DL) 管道,用于在儿科大脑内的病变可视化.
• 评估DL管道的能力,以帮助区分输肠置的严重程度和手术指示.
• 未来评估人工智能协助对超声波仪性能和效率的影响.

主要方法:

• 一个多中心的回顾性-前性研究,涉及14085张图像,来自8736名患有大耳内的患者.
• 使用超声波图像和视频对DL管道进行培训,验证和测试.
• 在242名志愿者中对初级,中级,高级和人工智能辅助的初级超声波器进行前性比较.

主要成果:

• DL管道实现了高的诊断准确性,平均AUC为0.972的图像识别和0.956的视频诊断内肠.
• 人工智能辅助显著提高了初级超声波仪的诊断准确性 (AUC 0.966对比 0.857),并减少了扫描时间 (3.66分钟对比 9.46分钟).
• 人工智能辅助的初级超声波仪表表现与高级超声波仪表相提并论.

结论:

• 一个实时的,可解释的DL管道可以在超声波中有效指导病变可视化.
• 这种人工智能工具有可能提高儿科内肠置病例的诊断准确性和效率.
• 人工智能协助可以弥合经验差距,使初级超声波专家能够实现专家级别的诊断能力.