婴儿不稳定部的双模式机器学习模型:将放射图像与自动生成的临床测量相结合
Hirokazu Shimizu1,2, Ken Enda2, Hidenori Koyano3
1Department of Orthopaedic Surgery, Faculty of Medicine and Graduate School of Medicine, Hokkaido University, Sapporo, Hokkaido, Japan.
Scientific reports
|August 1, 2024
概括
这项研究引入了从部X射线中进行临床测量 (aaCM) 的自动化算法,集成到双模深度学习模型中. 这种人工智能方法与诊断婴儿部发育不整形的专家准确度相匹配或超过.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 儿科整形外科 儿科整形外科
背景情况:
- 双模式卷积神经网络 (CNN) 通常集成患者数据或多个图像以提高诊断准确性.
- 从医疗图像中集成自动生成的临床测量到诊断模型仍然是一个挑战.
研究的目的:
- 开发和评估一种双模深度学习模型,采用自动算法从放射图像进行临床测量 (aaCM).
- 评估这一新型双模模型对婴儿部发育性形 (DDH) 的诊断性能.
主要方法:
- 使用放射图像进行临床测量 (aaCM) 的自动算法的开发.
- 将aaCM模型与CNN集成,以创建双模诊断系统.
- 多中心验证使用813个婴儿部放射图像,通过挑性检查确认诊断.
主要成果:
- 该aCM算法的准确性与人类专家的准确性相等或超过.
- 拟议的双模模型的性能优于传统的机器学习模型 (LightGBM,XGBoost,SVM) 和单个CNN模型.
- 与最先进的方法相比,双模式模型实现了更高的诊断性能.
结论:
- 该aaCM算法有效地从放射图像中捕获专家级临床知识.
- 开发的双模模型为婴儿DDH检测提供了增强的诊断性能.
- 这种人工智能驱动的方法显示了改善儿科骨科诊断的巨大潜力.
