基于人工智能的可解释应用程序可以帮助缺乏经验的放射科医生从声波胆囊图像中诊断胆道缩

科学领域:

• 医疗成像医学成像
• 医疗保健中的人工智能
• 儿科胃肠病学 儿科胃肠病学

背景情况:

• 胆道缩症 (BA) 的诊断可能具有挑战性.
• 以前的AI模型用于从超声波图像中诊断BA,其临床适用性有限.
• 需要实用的人工智能工具来帮助BA检测.

研究的目的:

• 通过使用原始超声波和智能手机图像,重新开发用于胆道动诊断的AI模型.
• 评估新模型在模拟现实环境中协助具有不同经验水平的放射科医生的表现.

主要方法:

• 在3659张超声波图像和51226张智能手机照片上训练了一种新的深度学习模型.
• 该模型在11,410张智能手机照片上进行了外部验证.
• 用207名婴儿的333个超声波视频来评估表现,由14名无经验和4名经验丰富的放射科医生进行评估.

主要成果:

• 新模型在外部验证上显示出与之前的模型 (AUC 0.908) 相比,更高的诊断性能 (AUC 0.924).
• 在现实世界的模仿环境中,该模型的表现与经验丰富的儿科放射科医生相比 (AUC 0.860与0.876).
• 人工智能工具显著提高了初级放射科医生 (AUC 0.773到0.835) 和高级放射科医生 (AUC 0.749到0.805) 的诊断性能.

结论:

• 一个可解释的,基于应用程序的AI模型在诊断胆道缩时显示出强大的性能.
• 该模型有效地帮助具有有限经验的放射科医生,在模拟的临床场景中提高诊断准确性.
• 这种人工智能解决方案提供了一种实际的方法来改进胆道动检测.