基于深度学习的查模型用于部疾病的平面放射图.
Jung-Wee Park1,2, Seung Min Ryu3, Hong-Seok Kim1,4
1Department of Orthopaedic Surgery, Seoul National University College of Medicine, Seoul, South Korea.
PloS one
|February 13, 2025
概括
一个新的深度学习模型可以从普通的X光片准确地选部疾病. 这种人工智能工具显示出高可靠性,有可能提高医生诊断准确度.
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:
- 医生对部X射线图的解释不同.
- 开发可靠的查工具来发现关节疾病至关重要.
研究的目的:
- 开发和验证一个深度学习模型,以使用普通X射线图来区分正常的部和严重的部疾病.
主要方法:
- 从2004年到2012年使用了1,726张部放射 (500张正常,1,226张部疾病).
- 训练并测试了四种深度学习模型,包括图像预处理和骨干算法的变化 (DenseNet到EfficientNet).
- 基于精度,灵敏度,特异性,PPV,NPV,F1得分和AUROC的评估模型.
主要成果:
- 最终的模型实现了高性能:精度为0.96,灵敏度为0.96,特异性为0.97,在内部测试组中AUROC为0.99.
- 外部验证显示了强有力的结果:准确度为0.94,灵敏度为0.93,特异性为0.96,AUROC为0.98.
- 在精细的模型中,GradCAM分析显示了对相关解剖结构的更好关注.
结论:
- 深度学习模型在查关节疾病时表现出高的准确性和可靠性.
- 这种人工智能驱动的方法可以帮助医生更准确地诊断部状况.


