深度学习算法被训练在斜宫射线图上,以预测宫前膜外注类固醇注射对宫前膜狭窄症疼痛的结果
Ming Xing Wang1, Jeoung Kun Kim1, Chung Reen Kim2
1Department of Business Administration, School of Business, Yeungnam University, Gyeongsan-si, Republic of Korea.
Pain and therapy
|January 8, 2024
概括
一个卷积神经网络 (CNN) 模型准确地预测了使用宫射线图的宫变形外周类固醇注射 (TFESI) 的结果. 这种深度学习方法有助于管理由前狭窄引起的椎根性疼痛.
科学领域:
- 放射学 放射学是指放射学
- 人工智能的人工智能
- 疼痛管理 疼痛管理
背景情况:
- 由于宫前狭窄而导致的宫根部疼痛是一种常见的疾病.
- 超额外注射性外周类固醇注射 (TFESI) 是一种经常使用的治疗方法.
- 预测TFESI处理结果仍然具有挑战性.
研究的目的:
- 开发和评估一个卷积神经网络 (CNN) 模型来预测TFESI治疗结果.
- 评估宫射线图在预测宫根性疼痛治疗成功的有用性.
主要方法:
- 对293名接受宫TFESI治疗宫根性疼痛的患者进行了回顾性研究.
- 输入数据:包括目标孔和周围结构在内的方形宫放射.
- 结果定义:有利的结果定义为:在注射后2个月,数值评分表 (NRS) 积分下降≥50%.
主要成果:
- 开发的CNN模型实现了0.823的曲线下面积 (AUC),用于预测治疗结果.
- 该模型显示了TFESI成功的显著预测能力.
结论:
- 一个在斜宫X射线图上训练的CNN模型可以有效地预测宫TFESI的治疗结果.
- 这种深度学习方法在治疗椎根性疼痛方面显示出临床应用的前景.
- 预测准确度的进一步改进可以提高广泛的临床采用.


