开发和多中心,多协议验证神经网络,以检测异常的右下关节动脉
So Yeon Won1,2, Ilah Shin3,4, Eung Yeop Kim1
1Department of Radiology and Center for Imaging Sciences, Samsung Medical Center, Sungkyunkwan University School of Medicine, Seoul, Korea.
Yonsei medical journal
|August 28, 2024
概括
使用卷积神经网络 (CNN) 的新深度学习模型在CT扫描上准确地检测异常的右下关节动脉 (ARSA). 这种人工智能工具在多中心验证中表现出很高的性能,有助于甲状腺癌评估.
科学领域:
- 放射学 放射学是指放射学
- 人工智能的人工智能
- 医疗成像医学成像
背景情况:
- 异常右下关节动脉 (ARSA) 是大动脉的先天性异常.
- 精确的ARSA手术前检测对于手术规划至关重要,特别是在甲状腺癌评估中.
- 传统的ARSA检测方法可能耗时且容易出现人为错误.
研究的目的:
- 开发和验证一个卷积神经网络 (CNN) 用于ARSA的自动检测.
- 评估CNN模型在手术前计算机断层扫描 (CT) 扫描上识别ARSA的性能.
- 为了将CNN模型的诊断准确性与放射科医生对ARSA检测的准确性进行比较.
主要方法:
- 使用2D CNN (EfficientNet) 的深度学习模型在556个用ARSA的CT扫描和312个正常的大动脉弧扫描上被开发和训练.
- 该模型的诊断性能使用来自两个机构的外部测试集 (112和126 CT 扫描) 进行了验证.
- 在CNN模型中检测ARSA的结果与放射科医生在1683张部CT扫描的独立数据集上的表现进行了比较.
主要成果:
- 在外部验证集上,CNN模型实现了高诊断性能,曲线下的面积 (AUC) 为0.97和0.99.
- 该模型在外部测试数据集上显示了97%和99%的准确性.
- 在一个时间验证组中,CNN模型成功检测了所有20个ARSA病例,而放射科医生忽略了13个病例.
结论:
- 一个基于CNN的深度学习模型已成功开发,用于使用CT检测ARSA.
- 开发的模型在多中心验证中表现出高性能和精度.
- 这种人工智能工具有可能提高在手术前评估中ARSA检测的准确性和效率.
