对深度学习模型在前十字带损伤的计算机辅助诊断中的系统审查

科学领域:

• 医学成像分析 医学成像分析
• 医疗保健中的人工智能
• 骨科诊断 骨科诊断 骨科诊断

背景情况:

• 深度学习 (DL) 模型,特别是卷积神经网络 (CNN),越来越多地被用于计算机辅助诊断 (CAD).
• DL显示了将计算工具集成到医疗诊断过程中的巨大潜力.
• 前十字带 (ACL) 撕裂是一种常见的膝盖损伤,需要准确的诊断.

研究的目的:

• 审查DL在诊断ACL撕裂中的当前应用.
• 评估DL模型用于ACL撕裂检测的性能和可解释性.
• 为了比较基于DL的诊断与传统的方法,如关节镜检查.

主要方法:

• 在PubMed,Embase和Web of Science数据库 (2018-2024) 中进行了系统的文献搜索.
• 研究包括使用MRI图像通过DL模型评估ACL撕裂.
• 总结的发现集中在模型的准确性,与关节镜检查的比较,以及可解释性.

主要成果:

• 许多医疗专业人士认为,关节镜诊断是ACL撕裂最可靠的方法.
• 使用MRI扫描的计算机辅助诊断 (CAD) 预计将达到与关节镜检查相似的结果.
• 对于CAD接受的关键标准包括透明度,可解释性,可解释性和易用性.

结论:

• 可解释的DL对于提高医生对ACL撕裂诊断CAD系统的信心至关重要.
• 医疗从业人员参与系统设计至关重要.
• 未来的研究应该专注于开发和验证可解释的DL模型与关节镜.