使用人工智能对面形的分类
Reinald Kuehle1, Friedemann Ringwald2, Frederic Bouffleur1
1Department of Oral and Maxillofacial Surgery, University of Heidelberg, 69120 Heidelberg, Germany.
Journal of clinical medicine
|November 25, 2023
概括
这项研究开发了一种卷积神经网络 (CNN) 用于使用摄影测量2D图像对婴儿头骨形进行分类. 人工智能在区分头骨突触和位置形方面表现出有希望,有助于早期诊断.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 儿科手术 儿科手术
背景情况:
- 位置性形在婴儿中很常见,但区分它们与骨突症在临床上具有挑战性.
- 准确的诊断对于适当的治疗和预防潜在的发育问题至关重要.
- 目前的诊断方法可能涉及辐射或侵入性手术.
研究的目的:
- 开发和评估一个卷积神经网络 (CNN) 用于分类面形.
- 为了利用无辐射摄像度生成的2D图像进行人工智能驱动的分析.
- 为了区分头骨突,位置形和健康的对照.
主要方法:
- 分析了487名患者的回顾性队列 (头骨突,位置形,健康对照).
- 从每次光谱扫描中提取了三张二维图像.
- 精心调整的ResNet-152模型使用十倍交叉验证进行了训练和评估.
主要成果:
- 在检测骨突症时,CNN的灵敏度为0.94和特异性为0.85.
- 对于特定的形,分类的准确性各不相同,对于脚骨头的敏感度高 (0.95),对于位置性脑的敏感度低 (0.45).
- 不同类别的特异性从0.87到0.97不等.
结论:
- 一种基于CNN的方法使用二维光谱图像显示了对分类面形的有希望的结果.
- 这种2D成像方法允许使用标准数码相机或智能手机的潜在未来应用.
- 需要更大的数据集来改进识别较为罕见的关突症亚型.


