一个自动化关节骨折检测,盆腔放射图的分类系统和与35名临床医生进行比较
Abdurrahim Yilmaz1, Kadir Gem2, Mucahit Kalebasi3
1Division of Systems Medicine, Department of Metabolism, Digestion, and Reproduction, Imperial College London, London, SW7 2AZ, UK. a.yilmaz23@imperial.ac.uk.
Scientific reports
|May 9, 2025
概括
深度学习模型在盆腔放射图上准确地检测部骨折,在速度和准确性方面表现优于临床医生. 这种人工智能系统有望提高创伤诊断效率.
科学领域:
- 骨科诊断器 骨科诊断器 骨科诊断器
- 医学成像分析分析 医学成像分析
- 医疗保健中的人工智能
背景情况:
- 正确诊断骨科损伤,特别是部和骨盆骨折,在创伤护理中至关重要.
- 盆腔放射 (PXR) 是标准的,但容易被误诊.
- 需要改进的自动诊断工具.
研究的目的:
- 开发和评估一个使用深度学习来检测和预测PXRs骨折的自动化系统.
- 将深度学习模型与人类临床医生的性能进行比较.
主要方法:
- 开发了两种深度学习模型,用于检测和预测关节骨折,使用来自三家医院的PXR数据.
- 图像的预处理涉及到对比度有限的自适应基因图平衡 (CLAHE).
- 模型包括YOLOv5用于对象检测和MobileNetV2,Xception,InceptionResNetV2用于分类,利用转移学习.
主要成果:
- 深度神经网络 (DNN) 分类器模型的准确度从94.66%到97.67%不等.
- YOLOv5在普通图像上达到92.66%的精度,在CLAHE增强图像上达到88.89%的精度.
- 在准确性和速度 (p < 0.0005, p < 0.01) 方面,DNN模型显著优于临床医生 (平均准确率为84.53%).
结论:
- 开发的DNN模型在诊断PXRs造成的关节骨折方面表现出高准确性和速度.
- 这些人工智能系统为创伤诊断提供了有希望的进步.
- 将其纳入临床实践可以显著提高PXRs的诊断效率.
