多模态深度学习用于分级手腕道综合征:中国的一项多中心研究
Xiaochen Shi1, Tianxiang Yu2, Yu Yuan3
1Department of Trauma and Orthopedics, Peking University People's Hospital, No.11, Xizhimen South Street, Xicheng District, Beijing 100044, PR China (X.S.).
Academic radiology
|March 29, 2025
概括
一个新的深度学习模型,CTSGrader,通过结合超声波图像和临床数据,有效地评分手管综合征的严重程度. 这种人工智能工具显示出有助于医生在临床决策中的潜力.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 神经学 神经学
背景情况:
- 使用超声波 (美国) 进行手管综合征 (CTS) 严重程度分级的深度学习 (DL) 模型是有限的.
- 推进CTS诊断需要整合多式联运数据以提高准确性.
研究的目的:
- 开发和验证一个共同的深度学习模型 (CTSGrader),集成临床信息和多式联络美国特征,用于CTS严重程度分级.
- 为了比较联合DL模型与仅美国DL模型和人类放射科医生的性能.
主要方法:
- 一个追溯数据集被用于培训和内部验证,从前和跨供应商数据集进行外部验证.
- 使用超声波特征 (CSA,回声性,神经外观,血管性) 和临床数据创建了一个联合DL模型 (CTSGrader).
- 对模型的性能进行了对电生理学结果的评估,并与放射科医生进行了比较,有或没有人工智能辅助.
主要成果:
- 在验证组中,CTSGrader表现出高诊断性能,AUC从0.897到0.951不等.
- 联合DL模型显著优于美国DL模型和初级放射科医生,表现与高级放射科医生相当.
- 人工智能协助提高了放射科医生的诊断准确度.
结论:
- 开发的联合DL模型 (CTSGrader) 与CTS分级的单模式模型相比,显示出更高的性能.
- 人工智能辅助的方法具有显著的潜力,可以支持临床决策,对CTS严重程度进行分级.
