机器学习驱动的Heckmatt分级在facioscapulohumeral肌肉发育不良:肌肉骨超声波分析的新途径
Francesco Marzola1, Nens van Alfen2, Jonne Doorduin3
1Biolab, Polito(BIO)Med Lab, Department of Electronics and Telecommunications, Politecnico di Torino, Turin Italy.
概括
这项研究开发了一种用于肌肉超声波分析的自动机器学习管道,显著提高了细分,分类和Heckmatt分级的客观性和效率,以便做出更好的临床决策.
科学领域:
- 生物医学工程 生物医学工程
- 医疗成像医学成像
- 机器学习 机器学习
背景情况:
- 肌肉超声波分析对于诊断神经肌肉疾病至关重要,但通常是主观和耗时的.
- 现有的肌肉细分,分类和分级方法缺乏客观性和效率.
研究的目的:
- 引入和验证用于自动化肌肉超声波分析的机器学习方法.
- 为了提高肌肉细分,分类和赫克马特分级的客观性和效率.
- 通过定量超声波评估来支持临床决策.
主要方法:
- 分析了290名参与者的25005张B模式超声波图像的数据集.
- K-Net用于同时进行肌肉细分和分类.
- 使用Radiomics功能和XGBoost进行了自动Heckmatt分级,并使用SHAP分析进行解释.
主要成果:
- 在骨肌肉分类和细分方面,K-Net实现了高精度 (IoU 73.40-74.03).
- 自动化Heckmatt分级显示出强的性能,AUC为0.95 (正常),0.87 (不确定) 和0.97 (异常).
- 在SHAP分析中,基于直方图的特征被确定为视觉评分的关键.
结论:
- 使用机器学习进行肌肉超声波分析的自动化管道被提出并验证.
- 这种方法提高了肌肉超声波评估的客观性和效率.
- 自动化管道支持在神经肌肉疾病诊断中改善临床决策.
