在数字放射学中深度学习方法来检测股骨AVN:区分患者和崩前阶段
Nima Rakhshankhah1, Mahdi Abbaszadeh2, Atefeh Kazemi1
1Department of Radiology and Health Research Center, Baqiyatallah University of Medical Sciences, Tehran, Iran.
BMC musculoskeletal disorders
|July 15, 2024
概括
深度学习模型,SVM和ANFIS,在从X射线图中诊断股骨头 (AVNFH) 血管性缩时显示出高准确性. 这些人工智能工具为早期检测和改善AVNFH诊断患者结果提供了有希望的潜力.
科学领域:
- 放射学 放射学是一门学科.
- 人工智能的人工智能
- 医疗成像医学成像
背景情况:
- 股骨头的血管性亡 (AVNFH) 是一种需要及时诊断的衰弱性疾病.
- 精确检测 AVNFH 从盆腔前后数字放射是有效的治疗规划至关重要的.
研究的目的:
- 评估新的深度学习模型的诊断性能,支持矢量机 (SVM) 和自适应神经模糊推理系统 (ANFIS),用于使用放射学检测AVNFH.
- 为了比较这些人工智能模型与不同经验水平的人类放射科医生的疗效.
主要方法:
- 分析了1167张部X射线图的数据集.
- 放射学家根据MRI相关性将放射图分为6个阶段.
- 深度学习模型 (SVM,ANFIS) 使用Python和TensorFlow进行了训练和测试.
- 模型的性能与两个独立的放射科医生进行了比较,使用F1分数和McNemar测试.
主要成果:
- 对于AVNFH检测,SVM的AUC达到82.88%,与经验丰富的放射科医生 (88.4%) 相比.
- 对于前崩AVNFH检测,SVM (AUC 73.58%) 显著超过了经验较少的放射科医生 (60.70%).
- 在AVNFH检测方面,ANFIS表现优越 (AUC为86.60%) 与经验较少的放射科医生 (79.68%) 相比.
结论:
- SVM和ANFIS在放射学中对AVNFH检测具有显著的诊断能力.
- 这些深度学习模型显示出早期AVNFH检测和干预的潜力,可能改善患者的治疗结果.
- 这些人工智能工具的效率和准确性表明它们在诊断AVNFH的临床环境中的价值.
