神经网络算法的诊断性能在CT扫描上的头骨骨折检测:系统性审查和元分析
Guive Sharifi1, Ramtin Hajibeygi2, Seyed Ali Modares Zamani3
1Skull base Research Center, Loghman Hakim Hospital, Shahid Beheshti University of Medical Sciences, Tehran, Iran.
Emergency radiology
|December 16, 2024
概括
卷积神经网络 (CNN) 在CT扫描上显示在诊断头骨骨折时的高准确性,平均AUC为0.96. 这些深度学习模型为改善急性头部创伤中骨折检测提供了有希望的工具.
科学领域:
- 放射学和医学成像学 医学成像学
- 医疗保健中的人工智能
- 深度学习应用程序
背景情况:
- 在CT扫描上进行头骨骨折诊断,由于复杂的解剖学,因此存在挑战.
- 由于放射科医生的短缺,需要自动诊断工具来快速准确地检测骨折.
- 深度学习 (DL) 和卷积神经网络 (CNN) 提供了增强医疗图像分析的潜力.
研究的目的:
- 系统地审查和元分析CNN模型的诊断性能,以检测CT图像上的头骨骨折.
- 评估基于CNN的头骨骨折诊断的准确性,敏感性和特异性.
- 评估CNN在改善急性头骨创伤诊断能力方面的潜力.
主要方法:
- 在PubMed,Scopus和Web of Science中对2024年2月之前发表的研究进行了系统的文献搜索.
- 进行了元分析,以确定曲线下的平均面积 (AUC),灵敏度,特异性和准确性.
- 使用Egger和Begg的测试来评估出版偏见.
主要成果:
- 分析包括11项研究,涉及20798名患者.
- 聚合平均AUC为0.96±0.02,聚合灵敏度为1.0和特异性为0.93.
- 整体准确度为0.92±0.04,异质性归因于模型变化;没有发现显著的出版偏差.
结论:
- 在CT扫描上,CNN模型在识别头骨骨折方面表现强.
- 尽管异质,但CNN显示出在急性头骨创伤成像中提高诊断准确性的潜力.
- 未来的研究应该专注于前性临床试验,以验证DL模型的实际应用.
