关于AI辅助诊断慢性大鼻炎骨改造的初步研究
Caiyun Zou1, Hongbo Ji1, Jie Cui1
1Department of Radiology, Nanjing Tongren Hospital, School of Medicine, Southeast University, No. 2007, Ji Yin Avenue, Jiang Ning District, Nanjing, 211102, PR China.
BMC medical imaging
|June 10, 2024
概括
人工智能模型,包括深度学习和机器学习,可以从CT扫描中准确检测慢性鼻炎 (CMS) 和相关的骨重塑. 这种人工智能方法有助于标准化临床应用的诊断.
科学领域:
- 医学成像分析 医学成像分析
- 人工智能在医学中的应用
- 放射学 放射学是一门学科.
背景情况:
- 慢性大鼻炎 (CMS) 的诊断可能具有挑战性.
- 骨改造是CMS的一个关键特征,影响了诊断和治疗.
- 准确识别CMS和骨改造对于有效的患者管理至关重要.
研究的目的:
- 开发和验证深度学习 (卷积神经网络 - CNN) 和机器学习 (支持矢量机器 - SVM) 模型用于诊断CMS.
- 用CT图像数据评估模型在CMS患者中识别骨重塑的能力.
- 为了提高CMS和骨改造的基于图像的诊断的准确性.
主要方法:
- 从2018年1月至2021年12月期间诊断出CMS的500名患者 (1000个样本) 收集了CT数据.
- 开发并测试了一种CNN/SVM模型,用于使用461张图像检测CMS.
- 开发并测试了一种单独的CMS模型,使用802张图像检测骨重塑.
主要成果:
- 对于CMS检测 (93个样本),该模型获得了0.9796的灵敏度,0.8636的特异性,0.9247的精度和0.94.9的AUC.
- 对于检测骨重塑的CMS (161个样本),该模型获得了0.7353的灵敏度,0.9685的特异性,0.9193的准确性和0.89.89的AUC.
- 这些结果表明,在识别CMS和骨改造方面表现强.
结论:
- 人工智能方法,特别是深度学习和机器学习,可用于自动识别CMS和骨重塑.
- 用人工智能驱动的鼻腔CT图像的分析可以标准化诊断程序.
- 开发的AI模型满足了改善诊断准确性的临床应用需求.
更多相关视频
07:16Author Spotlight: Development of a Novel Finite Element Analysis Model for Improved Orthognathic Surgical Techniques
Published on: October 20, 2023
1.3K
07:09In situ Compressive Loading and Correlative Noninvasive Imaging of the Bone-periodontal Ligament-tooth Fibrous Joint
Published on: March 7, 2014
13.4K