在基于深度学习的基础上,对儿童的侧鼻喉X射线图进行腺体缩的自动检测
Wanhong Guo1, Yunjian Gao2,3, Yang Yang2
1Department of Otolaryngology, The 983th Hospital of Joint Logistics Support Forces of Chinese PLA, Tianjin, China.
Translational pediatrics
|September 12, 2024
概括
深度学习模型通过X射线准确诊断儿童腺增大. 在识别这种常见的气道阻塞方面,DenseNet-121表现出高性能,与放射科医生相美.
科学领域:
- 医疗成像医学成像
- 医疗保健中的人工智能
- 儿科耳鼻喉科 儿科耳鼻喉科
背景情况:
- 腺体缩是儿科上呼吸道阻塞的常见原因.
- 它可以导致严重的耳鼻喉和全身健康问题.
- 侧鼻喉放射是标准的诊断工具.
研究的目的:
- 评估深度学习模型的准确性和可靠性,以诊断腺体缩.
- 为了评估深度学习的表现,使用儿童的侧面鼻射线图.
主要方法:
- 从三家医院的1,188名儿童的侧鼻喉X射线图像的回顾性收集.
- 培训和验证五种深度学习模型:亚历克斯网络,VGG16,Inception v3,ResNet50和DenseNet121.
- 使用接收器操作特征 (ROC) 曲线分析和与放射科医生的解释进行比较的性能评估.
主要成果:
- 在内部验证组中,DenseNet-121表现出最高的性能,曲线下的面积 (AUC) 为0.892.
- 该模型实现了高精度 (0.895),灵敏度 (0.870) 和特异性 (0.913).
- 丹森网-121的诊断性能优于初级和中级放射科医生,与高级放射科医生相比,没有统计学上显著的差异.
结论:
- 深度学习模型,特别是DenseNet-121具有强大的腺体缩诊断能力.
- 这些发现表明,使用人工智能自动识别腺缩的临床相关性.
- DenseNet-121提供了一个有前途的工具,可以帮助诊断这种常见的儿科疾病.
