深度学习模型用于儿科肘部放射学二项式分类:初始经验,表现和经验教训

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:

• 儿科肘部骨折很常见,需要精确的放射学解释.
• 紧急部门的医生在解释这些图像时面临挑战,这可能导致诊断延迟或错误.

研究的目的:

• 为了比较基于CNN的AI模型与儿科急诊室医生的诊断性能,用于分类儿科肘部放射图.
• 评估人工智能模型在儿童肘部X射线中检测异常的准确性,灵敏性和特异性.

主要方法:

• 一个数据集的1,314个儿科肘部横向放射图被策划和分类为正常或异常.
• 一个CNN模型 (EfficientNet B1) 在开发集上接受了培训并得到了验证.
• 人工智能模型的性能被评估在一个测试组,并与使用麦克纳马测试的五名医生相比较.

主要成果:

• 人工智能模型在测试组件上实现了80.4%的准确性和0.872的AUROC.
• 与医生 (64.9%) 相比,人工智能模型显示出更高的灵敏度 (79.0%),尽管在统计学上并不显著 (P = 0.088).
• 医生特异性比AI模型 (81.8%) 高 (87.3%),也没有统计学意义 (P = 0.439).

结论:

• 与医生组相比,AI模型表现出强的性能,具有良好的AUROC值和更高的灵敏度.
• 这些发现表明,人工智能可以成为帮助临床医生诊断儿科肘部异常的宝贵工具.
• 需要进一步的研究来优化人工智能模型,并将其整合到临床工作流程中,以改善儿科护理.