使用卷积神经网络自动诊断和分类甲手腕和骨骨折:一个回顾性数据分析研究研究
Michael Axenhus1, Anna Wallin2, Jonas Havela2
1Department of Orthopaedic Surgery, Danderyd Hospital, Stockholm; Department of Clinical Sciences at Danderyd Hospital, Karolinska Institutet, Stockholm, Sweden. michael.axenhus@ki.se.
Acta orthopaedica
|January 9, 2025
概括
人工智能,特别是卷积神经网络 (CNN),在诊断X射线手部骨折方面表现有前途. 这种AI模型实现了0.84的平均AUC,有助于分类甲手骨和骨骨折.
科学领域:
- 放射学 放射学是一门学科.
- 人工智能的人工智能
- 医疗成像医学成像
背景情况:
- 手部骨折是急诊室经常出现的情况.
- 手部骨折的诊断错误可能导致并发症.
- 有限的研究存在于人工智能用于甲手腕和骨骨折检测.
研究的目的:
- 训练和评估一个卷积神经网络 (CNN) 模型.
- 通过普通的X光照来诊断甲手腕和骨骨折.
- 根据AO/OTA系统和定制分类器对骨折进行分类.
主要方法:
- 追溯分析了 7,515 次手术检查 (27,965 张图像).
- 基于使用PyTorch的ResNet架构的CNN模型.
- 包括数据增强技术用于模型培训.
主要成果:
- 在CNN模型中,手部骨折的平均加权AUC为0.84.
- 在诊断横侧手指骨折 (AUC=0.91) 和骨骨折 (AUC=0.97) 中的高性能.
- 复杂的骨折模式的性能较低,例如斜骨折 (AUC=0.76).
结论:
- 美国有线电视新闻网 (CNN) 模型有效地通过X光照来诊断和分类甲骨和骨骨折.
- 该模型在各种骨折类别中表现出强的性能.
- 人工智能,特别是CNN,显示出在临床环境中分类手部骨折的潜力.
更多相关视频
09:34A Method to Estimate Cadaveric Femur Cortical Strains During Fracture Testing Using Digital Image Correlation
Published on: September 14, 2017
7.4K
08:27Author Spotlight: Efficient Image Recognition Using Directional Gradient Histogram Technique and Support Vector Machines
Published on: January 5, 2024
973
