在部MRI诊断中可解释的机器学习和放射学:将ONFH和OA预测与专家进行比较
Tariq Alkhatatbeh1, Ahmad Alkhatatbeh2, Qin Guo1
1Comprehensive Orthopedic Surgery Department, the Second Affiliated Hospital of Xi'an Jiaotong University, Xi'an, Shaanxi, China.
Frontiers in immunology
|February 13, 2025
概括
一个新的放射学机器学习模型使用MRI扫描准确地区分了大腿骨头骨缩 (ONFH) 与骨关节炎 (OA). 这种人工智能方法的表现优于人类专家,有助于精确诊断和迅速治疗部疾病.
科学领域:
- 放射学和机器学习在医学成像中的应用.
- 骨科诊断 骨科诊断 骨科诊断
- 医疗保健中的人工智能
背景情况:
- 从骨关节炎 (OA) 区分大腿骨头骨瘤 (ONFH) 往往是主观的,并取决于临床医生的专业知识.
- 诊断的变化可能会影响患者的治疗和结果.
研究的目的:
- 开发和评估基于放射学的机器学习模型,以区分ONFH和OA使用MRI.
- 将这些AI模型的诊断效率与人类医学专家进行比较.
主要方法:
- 140个MRI扫描的回顾性分析,分为训练 (70%) 和测试 (30%) 集.
- 感兴趣区域 (ROI) 的手动细分用于手工制造的放射性特征提取.
- 机器学习模型的构建和评估,根据性能为最终模型选择了Naive Bayes.
主要成果:
- 最终的放射学模型实现了0.971的曲线下的面积 (AUC),明显高于个别专家的表现 (AUC从0.565到0.880不等).
- 该模型在将ONFH与OA区分时显示出高灵敏度 (0.937) 和特异性 (0.885).
- 决策曲线分析 (DCA) 显示了放射学模型的优越临床实用性.
结论:
- 一个可解释的基于放射学的机器学习模型成功地开发出来,以区分ONFH和OA.
- 这种人工智能驱动的方法显示出有潜力帮助医疗专业人员准确诊断和及时治疗关节疾病的治疗决策.
更多相关视频
04:09Predicting Treatment Response to Image-Guided Therapies Using Machine Learning: An Example for Trans-Arterial Treatment of Hepatocellular Carcinoma
Published on: October 10, 2018
8.2K
13:44Detection of Architectural Distortion in Prior Mammograms via Analysis of Oriented Patterns
Published on: August 30, 2013
42.7K
