在存在其他异常时使用HAMIL-Net进行强大的多视图断裂检测
Xing Lu1, Eric Y Chang1,2, Jiang Du1
1University of California, San Diego, La Jolla, CA 92093, USA.
Military medicine
|November 10, 2023
概括
像HAMIL-Net这样的自动深度学习模型在检测脚部和脚骨折方面表现有前途. 整合模型以识别其他异常,在军事卫生病例中显著提高了骨折检测准确度.
科学领域:
- 整形外科成像分析分析
- 医学中的人工智能
- 深度学习用于医学诊断.
背景情况:
- 脚和脚骨折是一个常见的军事健康问题.
- 自动诊断系统可以提高效率和资源分配.
- 将骨折与其他病理区分开来,对于准确诊断至关重要.
研究的目的:
- 评估HAMIL-Net用于检测脚部和脚骨折的性能.
- 评估HAMIL-Net在存在其他骨科异常时的稳定性.
- 改进肌肉骨成像研究的自动诊断.
主要方法:
- 利用HAMIL-Net,这是一个具有层次注意力和多实例学习的深度神经网络.
- 在1万5000名退伍军人的148万个肌肉骨成像研究的大数据集上训练模型.
- 使用半自动注释管道,使用放射学报告和自然语言处理.
主要成果:
- 为了检测断裂,HAMIL-Net实现了0.87的接收器操作曲线下的面积.
- 当将骨折特定模型与一般异常检测模型集成时,性能得到改善 (精度从0.53到0.77,F-score从0.46到0.86).
- 评估了不同患者年龄组的表现,包括年轻成年人 (18-35岁).
结论:
- 自动骨折检测需要考虑临床部署同时存在的异常.
- 增强的HAMIL-Net显示了骨折检测和偶然肌肉骨发现的识别的改进.
- 这种人工智能方法有可能改善临床环境中足损伤的诊断.
