使用人工智能识别部植入物的新技术
Neil W Antonson1, Brandt C Buckner1, Beau S Konigsberg1
1Department of Orthopaedic Surgery, University of Nebraska Medical Center, Omaha, Nebraska.
The Journal of arthroplasty
|February 9, 2024
概括
一种新的人工智能 (AI) 方法使用新型数据集生成技术准确识别了9个类似的部植入物. 这种无代码机器学习方法是可扩展的,有助于修复关节整形手术的术前规划.
科学领域:
- 整形外科手术 整形外科手术
- 医学成像医学成像
- 人工智能的人工智能是人工智能.
背景情况:
- 增加全关节整形术 (THA) 需要更多的修订THA.
- 精确的手术前规划,包括植入物识别,对于成功的修复手术至关重要.
- 目前用于部植入物识别的AI方法在数据集大小,植入物相似性,可扩展性和AI专业知识要求方面存在局限性.
研究的目的:
- 开发一种新的,可扩展的技术,用于生成放射学上相似的部植入物的大型数据集.
- 测试无代码机器学习解决方案的有效性,以识别这些植入物.
- 为了改善修复整部关节整形手术的术前规划.
主要方法:
- 一个卷积神经网络被训练和验证,使用一种新的技术,生成27,020张计算机断层扫描 (CT) 衍生的9个放射相似的股骨植入物的投影图像.
- 该技术涉及将3D扫描的植入物模型叠加在CT盆腔体内,使用计算机辅助设计和MATLAB.
- 一个单独的786图像集被用于测试模型的性能.
主要成果:
- 机器学习模型在区分9种植入体模型时实现了97.4%的平均准确性.
- 该模型在植入物识别方面表现出高特异性 (98.5%) 和良好的灵敏度 (88.4%).
- 无代码方法在不需要专门的AI专业知识的情况下产生了有意义的结果.
结论:
- 开发的部植入物检测技术可以准确识别9种放射性相似的植入物.
- 这种新的方法可以生成大型,可扩展的数据集,容纳历史或模糊的植入物.
- 无代码机器学习模型证明了在植入物识别方面取得重大成果的可行性,为进一步的研究和临床应用铺平了道路.
