通过深度学习对Bankart病变进行非侵入性诊断

科学领域:

• 整形外科成像 整形外科成像
• 放射学中的人工智能
• 诊断准确度的提高 改善诊断准确度的提高

背景情况:

• 班卡特病变 (前下状腺腔撕裂) 难以使用标准MRI诊断,通常需要侵入性MRI关节图 (MRA).
• 班卡特病变的微妙成像特征对放射科医生来说是一个诊断挑战.
• 需要使用非侵入性方法来改善班卡特病变的检测.

研究的目的:

• 开发和评估深度学习 (DL) 模型,用于在标准MRI和MRA上检测Bankart病变.
• 评估DL的潜力,以提高诊断准确性和减少对侵入性成像程序的依赖.
• 将DL模型的性能与放射科医生的性能和已建立的文献指标进行比较.

主要方法:

• 一个数据集由586个肩部MRI (335个标准,251个MRA) 来自558名与关节镜相关的患者组成.
• 使用Swin变压器架构的单独DL模型被训练为标准的MRI和MRA.
• 从斜视,轴视和冠状视图的整体预测被用来优化模型性能,对20%的持久测试集进行评估.

主要成果:

• DL模型实现了高诊断性能,标准MRI的AUC为0.87,MRA的AUC为0.90.
• 模型准确度在标准MRIs上达到86%,在MRA上达到85%,具有相似的灵敏度和特异性.
• 非侵入性标准MRI的性能与侵入性MRA的放射科医生性能相匹配或超过.

结论:

• 深度学习模型显示了在标准MRI上准确检测Bankart病变的巨大潜力.
• 开发的DL模型可以提高诊断信心,减少侵入性MRI关节图的必要性.
• 这种方法提高了对班卡特病变的准确诊断的可访问性,从而有可能改善患者的护理.