开发一种机器学习算法,以识别磁共振成像扫描仪上的Cauda Equina压缩

科学领域:

• 医学成像和人工智能 医学成像和人工智能
• 神经学和神经外科的神经外科
• 放射学和诊断成像 放射学和诊断成像

背景情况:

• 尾巴黄综合征 (CES) 由于非特异性症状而带来诊断挑战,往往需要磁共振成像 (MRI) 进行确认.
• 为了排除CES,进行了大量的MRI检查,负面发现率很高,表明需要更有效的诊断工具.

研究的目的:

• 开发和验证一种机器学习 (ML) 模型,通过MRI扫描自动检测Cauda Equina综合征 (CES).
• 为了能够更快地对呈现CES的临床特征的患者进行分拣,从而提高诊断效率.

主要方法:

• 一个卷积神经网络 (CNN) 被开发和训练使用715个MRI扫描从疑似有CES的患者,按脊髓道狭窄的程度分类.
• 数据集分为培训 (80%) 和测试 (20%) 集.
• 使用梯度下降热图可视化和验证MRI扫描中对分类至关重要的区域.

主要成果:

• ML模型表现出高性能,精度为0.950,灵敏度为0.969和特异性为0.859.
• 阳性预测值为0.969,曲线下的面积 (AUC) 为0.915,表明了强大的诊断能力.
• 梯度下降热图证实了该模型能够准确地识别脊柱通道内的临床相关的磁盘.

结论:

• 这项研究成功地试验了一种深度学习方法,用于预测MRI上的Cauda Equina压缩 (CEC) 的存在.
• 这种由人工智能驱动的工具对提高医疗保健质量和促进及时管理CES充满希望.
• 该模型可以作为一个高效的分拣系统,特别是在资源有限的辐射解读环境中,导致迅速的患者护理.