一个神经网络模型用于MRI检测和分类腰椎脊柱狭窄
Vladislav Tumko1, Jack Kim2, Natalia Uspenskaia1
1Remedy Logic, 1177 Avenue of the Americas, 5th Floor, New York, NY, 10036, USA.
概括
一个新的三级卷积神经网络 (CNN) 准确地检测和分类腰椎缩 (LSS) 和其严重程度在MRI上,与放射科医生的性能相匹配. 这种人工智能工具为LSS提供了更好的诊断准确性和效率.
科学领域:
- 放射学 放射学是一门学科.
- 人工智能的人工智能
- 医疗成像医学成像
背景情况:
- 腰椎脊柱狭窄症 (LSS) 是一种常见的疾病,需要准确的诊断.
- 目前的诊断方法依赖于放射科医生对脊柱MRI的解释,这可能是主观的.
研究的目的:
- 开发和验证一个三级卷积神经网络 (CNN) 用于LSS检测和严重性评估.
- 评估CNN作为诊断中心,横向隙和前狭窄症的诊断工具的有效性.
主要方法:
- 一个三阶段的CNN被训练在1635注释的腰椎脊椎MRI研究.
- 在150个外部验证MRI研究中评估了模型性能.
- 对CNN诊断进行了比较,并对7名放射科医生的评估进行了比较.
主要成果:
- 美国有线电视新闻网在检测LSS存在/不存在和分类三种狭窄类型的严重程度方面表现与放射科医生相似.
- 对于中央通道狭窄,CNN的灵敏度为0.971,特异性为0.864,AUROC为0.963.
- 对于横向深陷和前狭窄的检测和严重程度分级,观察到同样高的性能.
结论:
- 开发的CNN是LSS检测和分类的可行工具,性能与亚专科医生放射学家相当.
- 将CNN集成到诊断工作流中可以提高LSS诊断的准确性,效率和一致性.
