深度学习对儿科肘部骨折检测的影响:系统性审查和元分析
Le Nguyen Binh1,2,3,4, Nguyen Thanh Nhu1,5, Pham Thi Uyen Nhi6
1College of Medicine, Taipei Medical University, Taipei, 11031, Taiwan.
概括
深度学习 (DL) 模型在检测儿科肘部骨折方面表现出高精度,聚合灵敏度为0.93和特异性为0.89. 使用ResNet架构和专家指导的预处理可以提高这些常见的儿童伤害的诊断性能.
科学领域:
- 人工智能在医学中的应用
- 儿科整形外科 儿科整形外科
- 医学成像分析 医学成像分析
背景情况:
- 儿科肘部骨折是儿童常见的伤害.
- 人工智能 (AI),特别是深度学习 (DL),为改善骨折诊断提供了潜力.
- 需要对DL模型在儿科肘部骨折检测中的性能进行系统评估.
研究的目的:
- 系统地评估儿童肘部骨折的深度学习 (DL) 模型的诊断性能.
- 为了确定DL模型在检测这些骨折时的聚合灵敏度,特异性和AUC.
- 识别影响DL模型性能的因素,如预处理和架构.
主要方法:
- 在PubMed,EMBASE和IEEE Xplore的综合文献搜索到2023年10月20日.
- 包括使用DL模型检测0-16岁患者的肘部骨折的研究.
- 提取的性能指标的元分析:灵敏度,特异性和曲线下的面积 (AUC).
主要成果:
- 六项研究符合22项已识别的研究的元分析的纳入标准.
- 对DL模型的聚合灵敏度为0.93 (95% CI:0.91-0.96);聚合的特异性为0.89 (95% CI:0.85-0.92).
- 聚合的AUC为0.95 (95%CI:0.93-0.97),性能受预处理和模型架构的影响.
结论:
- 深度学习模型在诊断儿科肘部骨折方面表现出高准确度.
- 通过ResNet骨干架构和专家监督的手动预处理,推最佳性能.
- 对于提高儿科骨折诊断的准确性和效率,DL具有显著的前景.
