深度学习用于在X射线图上自动分类部硬件
Yuntong Ma1, Justin L Bauer2, Acacia H Yoon3
1Department of Radiology, San Francisco VA Medical Center, 4150 Clement St, San Francisco, CA, 94121, USA.
Journal of imaging informatics in medicine
|September 12, 2024
概括
一个深度学习模型准确地对部和骨盆X射线进行骨科硬件分类,匹配放射科医生的性能. 这种人工智能工具可以减少放射科医生的工作量,提高报告的一致性.
科学领域:
- 放射学 放射学是一门学科.
- 人工智能的人工智能
- 整形外科手术 整形外科手术
背景情况:
- 骨科硬件的放射性评估对于患者护理至关重要.
- 放射科医生的手动分类可能耗时,并且受观察者之间的变化影响.
研究的目的:
- 开发和评估一个深度学习模型,用于在骨盆和部X射线图上对骨科硬件进行自动分类.
- 评估这种模型在减少放射科医生工作量和提高报告一致性方面的临床实用性.
主要方法:
- 追溯分析了来自1073名患者的4279张盆腔和部X射线图.
- 训练两个卷积神经网络 (EfficientNet-B4,NFNet-F3) 用于硬件分类.
- 在一个独立的测试组 (851项研究) 上进行性能评估,并与五个子专业放射科医生进行比较.
主要成果:
- 对于大多数硬件类,这两种模型都实现了接收器运行特征曲线 (AUC) 下的面积为0.99或更高.
- 这些模型的准确性达到了97%,与人类放射科医生相当或比他们更好.
- 观察到优秀的读者间一致性,科恩的卡帕系数从0.96到0.97.
结论:
- 深度学习模型可以准确地分类各种骨科部硬件类型.
- 开发的AI表现出高性能,相当于受过分专业训练的放射科医生.
- 这项技术有可能用于临床实施,以帮助放射性解释.


