基于多用途的卷积神经网络模型用于诊断患有中央腰椎脊柱狭窄症的患者
Seyeon Park1, Jun-Hoe Kim2, Youngbin Ahn1
1Transdisciplinary Department of Medicine & Advanced Technology, Seoul National University Hospital, 101 Daehak-Ro, Jongro-Gu, Seoul, 03080, Republic of Korea.
Scientific reports
|January 3, 2024
概括
使用多个X射线视图的深度学习模型显著改善腰椎缩 (LSS) 诊断. 多功能卷积神经网络 (CNN) 显示出高精度,为LSS提供了潜在的选工具.
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:
- 随着MRI的出现,普通X射线图在诊断腰椎缩 (LSS) 中的作用有所减少.
- 深度学习已经显示出增强LSS的放射性诊断能力的潜力.
- 以前的单姿势CNN模型在性能和通用性方面存在局限性.
研究的目的:
- 改进和概括CNN模型用于LSS诊断的性能.
- 通过使用多位射线图来克服单位CNN模型的局限性.
- 开发一个可解释的AI工具用于LSS查.
主要方法:
- 开发了一种多姿势CNN (MP-CNN) 模型,使用三种姿势 (延伸,曲,中性) 的横向放射图.
- 使用了来自三个单位CNN (SP-CNN) 模型的编码器.
- 使用四个 ImageNet 预训练的算法对 MP-CNN 的性能进行比较,并进行了内部,外部和外部验证.
主要成果:
- 基于ResNet50的MP-CNN模型在内部验证中实现了91.4%的AUROC.
- 在外部 (91.3%AUROC) 和外部 (79.5%AUROC) 验证中,MP-CNN表现强.
- MP-CNN生成了热图,为决策提供可解释的可视化.
结论:
- MP-CNN模型显示出作为LSS诊断查工具的巨大潜力.
- 多功能放射学与深度学习相结合,提高了LSS的诊断准确性.
- 该模型的可解释的人工智能特征支持LSS评估中的临床决策.
