在DEEP:PHI上使用ResNet101进行膝关节骨关节炎的自动诊断:利用无代码AI平台进行高效准确的医学图像分析
Kyu-Hong Lee1, Ro-Woon Lee1, Jae-Sung Yun2
1Department of Radiology, Inha University College of Medicine, 27 Inhang-ro, Jung-gu, Incheon 22332, Republic of Korea.
Diagnostics (Basel, Switzerland)
|November 9, 2024
概括
一个深度学习的人工智能模型使用无代码平台从X射线准确诊断和评分膝关节关节炎 (OA). 这项技术有助于早期发现和治疗膝关节骨炎,改善患者的治疗结果.
科学领域:
- 医疗成像中的人工智能
- 放射学和诊断成像 放射学和诊断成像
- 计算病理学计算病理学
背景情况:
- 膝关节骨关节炎 (OA) 是一种广泛的退行性关节疾病,对健康有重大影响.
- 准确的早期诊断膝关节OA对于有效的患者管理至关重要.
- 膝关节OA的传统诊断方法通常涉及主观评估.
研究的目的:
- 评估一个深度学习模型来诊断和分级膝关节OA从普通X射线图.
- 评估无代码人工智能平台在实施这种诊断工具中的有效性.
- 用凯尔格伦 - 劳伦斯尺度来确定模型在将膝关节OA严重程度分类中的准确性.
主要方法:
- 使用了骨关节炎倡议 (OAI) 数据集,其中包括1526张膝盖X射线图像.
- 在DEEP:PHI无代码AI平台上使用ResNet101深度学习模型.
- 训练模型根据Kellgren-Lawrence尺度将膝盖OA分为五个等级 (0-4).
主要成果:
- 人工智能模型在区分不同的膝盖OA等级方面取得了很高的准确性.
- 该模型在检测早期膝关节OA时表现出特别强大的实力.
- 在20个时代观察到最佳模型性能,Grad-CAM用于可解释性.
结论:
- 深度学习的人工智能,通过无代码平台,可以准确地诊断和分级膝关节OA从X射线图.
- 无代码的人工智能平台使医疗保健中的人工智能民主化,使得快速开发和部署成为可能.
- 这种方法有望提升膝关节OA的早期检测和管理,改善患者的治疗结果.
