基于深度学习的方法,以提高手腕道综合征的诊断和全面理解
Marwa Elseddik1,2, Khaled Alnowaiser3, Reham R Mostafa2,4
1Department of the Robotics and Internet Machines, Faculty of Artificial Intelligence, Kafrelsheikh University, Kafrelsheikh 33516, Egypt.
Diagnostics (Basel, Switzerland)
|October 28, 2023
概括
这项研究引入了一种AI框架,用于诊断手腕道综合征 (CTS) 和预测其进展. 人工智能模型在诊断方面取得了高准确性,并有效监测治疗结果,为患者护理提供了一种新的方法.
科学领域:
- 医学技术 医学技术 医学技术
- 医疗保健中的人工智能
- 神经学 神经学
背景情况:
- 带道综合征 (CTS) 是一种常见的疾病,由中枢神经的压缩引起.
- 现有的研究探讨了用于CTS诊断的机器学习 (ML) 和深度学习 (DL),但需要进一步整合AI.
- 需要先进的方法来预测疾病的进展,并监测CTS患者的治疗效果.
研究的目的:
- 开发和评估一种新的AI驱动的框架,用于CTS诊断,预测和疾病进展监测.
- 评估CTS不同的DL模型的诊断性能.
- 预测中枢神经的横截面积 (CSA) 随着时间的推移,并使用统计分析评估治疗影响.
主要方法:
- 利用三种深度学习模型进行CTS诊断,实现高准确度,精度和回忆.
- 使用ML模型预测1,3个月和6个月的横截面积 (CSA) 来预测疾病进展.
- 应用统计测试 (显著性测试,克鲁斯卡尔-瓦利斯,双向ANOVA) 来评估治疗效果,特别是注射,对患者的结果和CSA.
- 集成的SHAP用于AI预测的可解释性.
主要成果:
- DL模型实现了0.969%的诊断准确度,0.982%的精度和0.963%的回忆.
- 对于CSA预测的最佳ML模型的准确度为0.9522,R2为0.667,MAE为0.0132,MdSE为0.0639,在6个月内表现最好.
- 统计分析证实,CTS症状和CSA注射后治疗显著减少.
- SHAP分析为模型的预测提供了可解释的解释.
结论:
- 拟议的AI框架在CTS诊断方面表现出卓越的性能.
- 该研究使用ML和统计方法成功预测了疾病的进展,并量化了治疗的有效性.
- 这种综合性方法为管理手腕道综合征提供了一个有前途的工具,通过准确的诊断和个性化的监测来改善患者的治疗结果.
