使用深度学习来估计儿科意外骨折中自受伤以来的时间
Farah W Brink1,2, Brent Adler3, Sven Bambach3
1Nationwide Children's Hospital, 700 Children's Drive, Columbus, OH, 43205, USA. farah.brink@nationwidechildrens.org.
Pediatric radiology
|April 21, 2025
概括
深度学习模型现在可以更准确地估计儿科骨折的年龄. 这种人工智能工具可以改善儿童的骨折,帮助诊断和治疗.
科学领域:
- 人工智能在医学中的应用
- 儿科放射学 儿科放射学
- 医学成像分析 医学成像分析
背景情况:
- 目前用于估计儿童骨折年龄的方法不准确,导致时间框架宽.
- 解释儿科骨成像的差异很常见,特别是在社区医院.
- 迫切需要先进的方法来提高断裂约会的准确性.
研究的目的:
- 开发和验证深度学习 (DL) 模型,以准确估计小儿意外长骨折的年龄.
- 评估DL模型在将骨折图像分类为年龄组和直接估计自受伤以来的时间方面的性能.
- 为提供一个更精确的工具,用于儿科骨折的放射测年.
主要方法:
- 采用了2328张无线电图像的数据集,记录了6岁以下儿童的意外长骨折.
- 开发和训练DL模型用于骨折年龄分类和使用交叉验证直接估计年龄.
- 使用诸如平均绝对误差 (MAE),根平均平方误差 (RMSE),灵敏度和特异性等指标评估模型性能.
主要成果:
- 在骨折年龄分类和估计方面,DL模型的表现超过了基线水平.
- 最有效的模型实现了6.2天的MAE,用于估计任何长骨折的年龄.
- 大约68%的模型骨折年龄估计是在实际受伤时间的7天之内.
结论:
- 深度学习模型对改善儿科长骨折的放射测年准确度有显著的前景.
- 与传统方法相比,这些人工智能驱动的工具可以提供更精确的自受伤时间估计.
- 该研究成功验证了DL在儿童病例中增强骨折年龄评估的能力.
