深度学习的应用用于自动诊断和分类关节发育不良的平面放射图
Martin Magnéli1,2,3, Alireza Borjali1,2, Eiji Takahashi1,2,4
1Department of Orthopaedic Surgery, Harvard Medical School, Boston, MA, USA.
BMC musculoskeletal disorders
|February 9, 2024
概括
这项研究开发了深度学习模型来通过X射线诊断部发育不良,从而在识别部发育不良时达到高准确度. 对于复杂的分类任务,需要进一步的研究.
科学领域:
- 整形外科 整形外科 整形外科
- 放射学 放射学是一门学科.
- 人工智能的人工智能
背景情况:
- 部发育不良,以浅浅的乙体为特征,是部骨关节炎的重要危险因素.
- 准确的诊断和严重程度的部发育不良的分类对于患者的管理至关重要.
研究的目的:
- 开发和评估深度学习模型,用于从普通放射图片中诊断关节发育不良.
- 使用已建立的分级系统来分类部不发育症的严重程度.
主要方法:
- 分析了571名患者的骨盆放射图,最终得到了1022张部图像.
- 两种深度学习模型 (VGG16 CNN) 被训练来将部分类为正常,边缘或失塑 (Crowe/Hartofilakidis等级).
- 中央边缘 (CE) 角度被用于初始分类,随着形部进一步分级.
主要成果:
- 模型显示高准确度 (83.3%-92.2%) 在区分失塑性与正常/边缘部.
- 模型1的整体精度为68%,而模型2的整体精度为73.5%.
- 大多数严重程度的分类错误都在+/- 1级.
结论:
- 深度学习模型在准确区分正常与不整形的部使用普通放射图表方面表现有前途.
- 这些模型在识别形部方面取得了很高的准确性,这表明了潜在的临床实用性.
- 建议对深度学习在复杂放射性评估中的作用进行进一步的验证.
