通过ResNet18加强NEC的外科决策:一种深度学习方法,通过X射线图像分析来预测手术的需要
Zhiqing Wu1, Ran Zhuo1, Xiaobo Liu1
1Department of Pediatric Surgery, Children's Hospital of Soochow University, Suzhou, Jiangsu, China.
Frontiers in pediatrics
|June 19, 2024
概括
深度学习模型可以帮助确定患有死角性肠球炎 (NEC) 的婴儿是否需要手术. 使用X射线的Resnet18模型在指导这种严重新生儿疾病的手术决策方面显示出高准确性.
科学领域:
- 新生儿医学 新生儿医学
- 人工智能的人工智能
- 医疗成像医学成像
背景情况:
- 结核性肠球炎 (NEC) 是新生儿,特别是早产婴儿的一种关键性肠病.
- 它是新生儿死亡的主要原因,手术干预标准不清楚.
- 深度学习在医学诊断和决策支持方面表现有前途.
研究的目的:
- 研究用于优化新生儿NEC手术决策的深度学习应用.
- 利用床边的X射线来预测NEC患者手术干预的需要.
主要方法:
- 对263张NEC婴儿X射线的回顾性分析 (2015年1月至2023年4月).
- 开发Resnet18,Densenet121和SimpleViT模型来预测手术的必要性.
- 使用2D-Grad-CAM用于模型解释性和对X射线图像的焦点识别.
主要成果:
- 在预测NEC的手术干预方面,Resnet18获得了高精度 (0.919).
- 该模型表现出极好的精度,特异性,灵敏度和F1得分.
- 2D-Grad-CAM突出了该模型对X射线中重要病理区域的关注.
结论:
- 在Resnet18深度学习模型有效地帮助临床医生在NEC的手术决策.
- 床边胸部和腹部成像与人工智能相结合,可以改善NEC管理.
- 这种方法为优化新生儿NEC手术干预提供了有价值的工具.
