接近专家级准确度,以区分MRI上的ACL撕裂类型,使用深度学习
Yang Xue1,2, Shu Yang3, Wenjie Sun4
1School of Computer Science, Hunan First Normal University, Changsha, 410205, China.
Scientific reports
|January 10, 2024
概括
一个新的深度学习模型从MRI扫描中准确识别前十字带 (ACL) 撕裂状态. 这种自动化工具显示了高的诊断准确性,有可能改善ACL重建技术.
科学领域:
- 整形外科 整形外科 整形外科
- 放射学 放射学是指放射学
- 人工智能的人工智能
背景情况:
- 前十字带 (ACL) 撕裂的治疗以撕裂的严重程度为指导.
- 精确的手术前评估ACL状态对于有效的治疗计划至关重要.
研究的目的:
- 开发和验证基于深度学习的放射学方法,用于从手术前MRI中识别ACL撕裂状态.
- 与临床专家相比,评估自动化模型的诊断性能.
主要方法:
- 一个完全自动化的深度学习管道 (ACL-DNet用于细分,ACL-SNet用于分类) 使用862名患者的MRI扫描进行了开发.
- 该模型采用了形质子密度加权图像,并结合了性别和年龄.
- 使用灵敏度,特异性和接收器操作特征曲线 (AUC) 下的面积来评估性能.
主要成果:
- 该ACL-DNet细分模型实现了98%±6%的子系数.
- 该ACL-SNet分类模型显示了高的诊断准确性,97%的灵敏度,97%的特异性和99%的AUC.
- 自动化模型的表现优于其他模型,并且表现与临床专家相比或优于临床专家.
结论:
- 完全自动化的深度学习模型是一个可靠和可重复的工具,用于从MRI中非侵入性地识别ACL状态.
- 这种方法有可能帮助骨科医生优化ACL重建策略,包括遗留物保存.
