使用二重嵌入模块的图形CNN进行整形手术规划:使用多医院数据集进行外部验证
In-Hwan Kim1, Jun-Sik Kim1, Jiheon Jeong1
1Department of Biomedical Engineering, Asan Medical Institute of Convergence Science and Technology, Asan Medical Center, University of Ulsan College of Medicine, Seoul, South Korea.
Computer methods and programs in biomedicine
|October 19, 2023
概括
一个新的人工智能模型准确地预测了整形手术 (OGS) 中的手术动作. 双嵌入模块-图形卷积神经网络 (DEM-GCNN) 显示出比现有的计划复杂手术的方法更好的准确性.
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
- 手术规划 手术规划
背景情况:
- 在整形外科手术 (OGS) 中预测手术动作是具有挑战性的.
- 当前的AI进步可能无法完全解决部运动预测的复杂性.
- 评估人工智能模型准确性对于OGS规划至关重要.
研究的目的:
- 通过使用新的DEM-GCNN模型,评估OGS中外科手术运动的预测准确性.
- 将DEM-GCNN模型的性能与之前存在的基于CNN的模型进行比较.
- 为了验证模型在各种患者数据中的通用性.
主要方法:
- 从9个机构使用了599对横向脑电图对进行培训/内部测试,201对进行外部测试.
- 开发了一个DEM-GCNN模型,结合图像和地标学习来预测部运动.
- 将DEM-GCNN的预测准确度与使用地标坐标差异的基于CNN的模型 (模型-C) 进行比较.
主要成果:
- 对于所有预测的地标 (ANS,PNS,B点,Md1crown),DEM-GCNN没有显示出与地面真相的显著差异.
- 在内部和外部测试中,DEM-GCNN的成功检测率高于Model-C.
- DEM-GCNN在预测准确度和所有部运动的降低误差值方面明显优于Model-C.
结论:
- 成功开发了一个强大的OGS规划模型 (DEM-GCNN).
- 该模型在各种横向脑图品质中表现出最大限度的概括性.
- 这种人工智能工具提高了整形手术规划的精度.
