机器学习比外科医生更好地评估单间膝关节置换术的X射线图
S Jack Tu1, Sara Kendrick2, Karthik Saravanan1
1Nuffield Department of Orthopaedics, Rheumatology and Musculoskeletal Sciences, University of Oxford, Windmill Road, Oxford OX3 7LD, United Kingdom.
The Knee
|November 30, 2024
概括
机器学习模型可以比经验丰富的外科医生更好地从X射线图中预测单隔板膝关节置换 (UKR) 后的糟糕结果. 这种人工智能方法可能会揭示未见的放射特征,以提高UKR的成功率.
科学领域:
- 整形外科手术 整形外科手术
- 医学中的人工智能.
- 医学成像分析分析 医学成像分析
背景情况:
- 单部位膝关节置换 (UKR) 可以产生低于最佳的患者结果.
- 对UKR不良结果的放射性评估对即使是经验丰富的外科医生来说也是一个挑战.
- 识别UKR结果差的预测因素对于改善手术成功至关重要.
研究的目的:
- 为了比较机器学习 (ML) 和经验丰富的外科医生的诊断性能,从X光片中预测UKR结果.
- 调查ML是否可以识别与UKR结果差相关的微妙放射特征.
主要方法:
- 一个ResNet50v2ML模型被训练在924张UKR后放射图上,已知牛津膝关节分数结果.
- 训练有素的ML模型和两位经验丰富的骨科外科医生评估了70张未见的X光照,以预测结果.
- 通过将预测与实际患者结果进行比较来评估表现.
主要成果:
- 机器学习模型在糟糕的结果中达到71%的准确率,在优秀的结果中达到82%.
- 外科医生表现的准确性明显较低,其中一个诊断出0%的不良结果.
- 模型解释性建议分类是基于围围假肢特征的.
结论:
- 机器学习模型可以检测到不良UKR结果的放射性指标,这些指标对人类外科医生来说是不明显的.
- 未确定的病例可能有关节外的原因导致糟糕的结果.
- 对ML识别特征的进一步研究可以改进UKR的指示和外科手术技术,以尽量减少糟糕的结果.
