使用机器学习分类器对儿科性脑病变进行自动化内科视觉检测

科学领域:

• 神经外科 神经外科
• 人工智能的人工智能
• 医疗成像医学成像

背景情况:

• 影响到美国45万名儿童,导致终身残疾和突然死亡的风险.
• 目前的手术治疗受限于正常与异常大脑组织的视觉歧视.
• 不准确的组织切除可以导致神经损伤或治疗失败.

研究的目的:

• 开发和评估基于机器学习的细分模型,用于识别发性脑组织.
• 为了提高儿科病例中手术切除的准确性.
• 为未来的神经外科手术中人工智能模型开发提供一个基准.

主要方法:

• 在小儿手术期间从实时操作显微镜视频中收集了62个.
• 训练了一个随机的森林分类器,将图像分成病态组织或背景.
• 使用特异性,灵敏性和工会指标的交叉点来评估模型性能.

主要成果:

• 达到0.99的平均特异性,表明在识别背景组织方面具有高准确性.
• 获得了0.34的灵敏度,这表明在检测所有异常组织方面有改进的余地.
• 达到了0.28的结合交点,反映了预测和实际异常组织细分之间的重叠.

结论:

• 机器学习分类器显示出在手术期间避免正常脑组织错误分类的潜力.
• 开发的模型为推进AI在外科决策支持方面提供了基本的基准.
• 用更大的数据集进行进一步的研究是有必要的,以提高灵敏度和整体性能.