使用超声波图像的深度学习来诊断慢性侧脚不稳定性,准确度高
Masamune Kamachi1, Kohei Kamada1, Noriyuki Kanzaki1
1Department of Orthopaedic Surgery, Kobe University Graduate School of Medicine, Kobe, 650-0017, Japan.
概括
深度学习 (DL) 准确地诊断了慢性侧脚不稳定 (CLAI) 使用前额带 (ATFL) 的超声图像. 人工智能分析的重点是带物质和骨附着物,以可靠地检测CLAI.
科学领域:
- 整形外科 整形外科 整形外科
- 医疗成像医学成像
- 人工智能在医学中的应用
背景情况:
- 慢性侧脚不稳定性 (CLAI) 是一种常见的疾病,影响前侧脚关节 (ATFL).
- 准确诊断CLAI对于有效治疗和患者的治疗结果至关重要.
- 当前的诊断方法可能在灵敏度和特异性方面存在局限性.
研究的目的:
- 评估深度学习 (DL) 模型在从ATFL的超声波图像中识别CLAI的诊断准确性.
- 为了比较CLAI诊断的三种预训练DL模型的性能.
- 为了可视化AI识别的感兴趣区域用于CLAI检测.
主要方法:
- 分析了30名CLAI患者和30名对照者的ATFL超声波图像.
- 总共准备了4000张图像,其中3000张用于培训,1000张用于测试DL模型.
- 使用三种预训练DL模型进行转移学习,计算准确性,精度,回忆,特异性,F测量和AUC.
主要成果:
- 深度学习模型显示了非常高的诊断准确性和CLAI检测的AUC.
- 这三种DL模型都在区分CLAI与健康对照时取得了出色的绩效指标.
- 人工智能驱动的可视化突出显示了ATFL物质及其长肢连接作为关键诊断特征.
结论:
- 对超声波图像的深度学习分析为诊断CLAI提供了高度准确和可靠的方法.
- 人工智能可以有效地识别与CLAI相关的ATFL的关键解剖特征.
- 这种方法有望改善体育医学和骨科的诊断工作流程.
