学习共平面注意力跨MRI序列诊断十二种类型的膝盖异常
Zelin Qiu1, Zhuoyao Xie2, Huangjing Lin3
1Department of Computer Science and Engineering, The Hong Kong University of Science and Technology, Hong Kong, China.
Nature communications
|September 2, 2024
概括
一个新的深度学习模型有助于从MRI扫描中对膝盖异常进行分类. 这种人工智能工具协助放射科医生,提高诊断准确性和临床实践中的可靠性.
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:
- 多序磁共振成像 (MRI) 对于诊断膝盖异常至关重要.
- 解释这些复杂的MRI扫描需要显著的放射科医生专业知识.
- 当前的诊断方法可能会耗费大量时间,并且容易引起观察者之间的变化.
研究的目的:
- 开发和评估一种深度学习模型,用于使用多序MRI对膝盖异常进行分类.
- 评估模型的性能与不同经验水平的放射科医生对比.
- 调查人工智能模型对放射科医生的诊断准确性的影响.
主要方法:
- 为多序MRI分析开发了一种具有共同平面注意力的深度学习模型.
- 编制了最大的多序膝盖MRI数据集 (1748名受试者,12种异常类型).
- 模型性能使用接收器操作特征曲线 (AUC) 下的面积和精度指标进行了评估.
- 放射科医生的表现与人工智能协助和无人工智能协助进行了比较.
主要成果:
- 深度学习模型的AUC为0.812,平均精度为0.78.
- 该模型的表现优于初级放射科医生 (0.65准确度),并与高级放射科医生 (0.80准确度) 竞争.
- 人工智能辅助显著提高了放射科医生的诊断准确度,从0.73到0.79 (p < 0.001).
- 解释性分析证实该模型的决策与临床知识一致.
结论:
- 开发的深度学习模型有效地从多序MRI中对膝盖异常进行分类.
- 人工智能模型作为一种有价值的工具来增强放射科医生的专业知识,提高诊断性能.
- 该模型的临床相关性和可靠性得到了其性能和可解释性的支持.
