开发和验证用于急性尾炎诊断的自动化三维卷积神经网络模型
Minsung Kim1, Taeyong Park2, Jaewoong Kang2
1Department of Surgery, Hallym University Medical Center, Hallym Sacred Heart Hospital, Hallym University College of Medicine, 22 Gwanpyeong-ro 170 beon-gil, Pyeongan-dong, Dongan-gu, Anyang, Gyeonggi-do, Republic of Korea.
Scientific reports
|March 5, 2025
概括
一个新的深度学习模型使用3DCT扫描精确诊断尾炎. 这种自动化框架通过分类非,简单和复杂的尾炎来帮助手术决策,提高诊断速度和准确性.
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:
- 准确的尾炎术前诊断对于紧急护理的及时手术干预至关重要.
- 目前用于尾炎的诊断方法可能耗时,可能导致治疗延迟.
- 人工智能在医学成像中的整合有望提高诊断效率.
研究的目的:
- 开发和验证使用3D卷积神经网络 (CNN) 进行尾炎的全自动诊断框架.
- 评估模型在非尾炎,简单尾炎和复杂尾炎之间区分的能力.
- 在准确性,灵敏性,特异性和负尾切除率方面评估模型的性能.
主要方法:
- 一个深度学习模型,称为附件信息 (IA),使用3D CNN架构 (ResNet,DenseNet,EfficientNet) 开发.
- 该模型自动从对比度增强的腹腔皮层CT图像中提取与尾相对应的感兴趣体积 (VOI).
- 采用带有转移学习的双阶段二进制算法来分类尾炎的严重程度.
主要成果:
- 使用DenseNet169的IA模型在第一阶段 (非尾炎与尾炎) 实现了79.5%的准确性和70.1%的灵敏性,尾切除率为12.4%.
- 在第二阶段,该模型在区分简单的尾炎和复杂的尾炎方面显示了76.1%的准确度和82.6%的灵敏度.
- 该模型在第一阶段达到0.865的曲线下的面积 (AUC),在第二阶段达到0.827,表明了强大的诊断性能.
结论:
- 开发的IA模型提供了可靠的,使用CT成像进行尾炎的自动诊断工具.
- 这一框架有可能通过提供快速准确的诊断信息来改善紧急护理中的外科决策.
- 该模型在VOI中的通用性和可重现性表明其在尾炎诊断中的临床实用性.
