基于MRI的自动化多任务深度学习系统,用于评估脊上肌损伤

科学领域:

• 医疗成像中的人工智能
• 对于肌肉骨疾病的深度学习
• 放射学和诊断成像 放射学和诊断成像

背景情况:

• 脊上 (SST) 损伤很常见,需要准确的诊断.
• 目前用于SST损伤的诊断方法可能是主观的,耗时的.
• 使用人工智能进行先进的成像分析,有可能提高诊断准确度.

研究的目的:

• 开发一个基于MRI的自动化,多任务的深度学习系统,用于对上 (SST) 损伤的详细评估.
• 为了分类各种类型的SST损伤,包括正常,退行性和不同的撕裂配置.
• 将深度学习系统的诊断性能与经验丰富的放射科医生进行比较.

主要方法:

• 用于培训和内部验证的是3087名患有关节镜确认的SST发现的患者的数据集.
• 视觉几何组网络16 (VGG16) 用于初始图像选,然后使用旋转手臂多任务学习 (RC-MTL) 模型进行分类.
• 对573名患者进行了外部验证,并使用ROC曲线分析评估模型性能,并通过McNemar的测试与放射科医生比较结果.

主要成果:

• 自动化多任务深度学习系统实现了高诊断性能,集团内数据集的平均AUC为0.98,集团外数据集的平均AUC为0.97.
• 与放射科医生相比,该系统在所有定义组 (p < 0.001) 中对SST损伤进行分类方面表现优越.
• 放射科医生的类内相关系数 (ICC) 在0.97到0.99之间,表明其可靠性很高.

结论:

• 一个基于MRI的自动化深度学习系统有效地诊断和分类高精度的上肌损伤.
• 开发的系统表现出与经验丰富的放射科医生可比的性能.
• 这种人工智能工具有可能提高诊断效率,减少观察者之间的变化,并提高SST损伤的评估.