转移学习方法用于产前超声波诊断胆道缩症
Fujiao He1, Gang Li1, Zhichao Zhang2
1Department of Ultrasound, Shengjing Hospital of China Medical University, Shenyang, Liaoning, China.
NPJ digital medicine
|February 28, 2025
概括
一种新的转移学习模型 (TLM) 显著改善了胆道动 (BA) 的产前诊断. 这种人工智能工具提供了一种低成本,准确的方法来帮助临床医生识别这种严重的先天性疾病.
科学领域:
- 医疗成像医学成像
- 人工智能在医学中的应用
- 遗传性疾病 遗传性疾病
背景情况:
- 胆管缩 (BA) 是一种罕见的,严重的先天性疾病,带来了重大的产前诊断挑战.
- 准确和及时的产前诊断对于有效管理BA至关重要.
研究的目的:
- 开发和评估一种智能模型,用于产前诊断胆道缩症.
- 与传统方法和个人声学家相比,评估转移学习模型 (TLM) 的诊断性能.
主要方法:
- 使用来自20家医院和公共数据库的胎儿数据开发和验证转移学习模型 (TLM).
- 与基础深度学习模型和三个独立测试群体的个人声学家对TLM性能进行比较.
主要成果:
- 与基本的深度学习模型 (0.790-0.880) 相比,TLM显示出更高的曲线下面积 (AUC) 值 (0.906-0.914) 的更高的诊断性能.
- 当超声波专家得到TLM的帮助时,诊断准确性得到改善,超过了个人超声波专家的表现.
- 在TLM取得了令人满意的预测性表现胎儿BA.
结论:
- 开发的TLM是一种低成本,易于使用和准确的工具,用于协助产前诊断胆道缩症.
- 这种智能模型可以作为改善BA检测的临床实践中的有效辅助.
- 在医学成像中进一步整合AI可以提高罕见先天性疾病的诊断能力.
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
06:10Extrahepatic Bile Duct and Gall Bladder Dissection in Nine-Day-Old Mouse Neonates
Published on: August 23, 2022
1.8K
