基于AI的骨盆地表面电动图参考范围和高精度的骨盆地功能障碍诊断
Juan Chen1, Jiahui Yao2, Wei Chen3
1Department of Obstetrics and Gynecology, Peking Union Medical College Hospital, Chinese Academy of Medical Sciences & Peking Union Medical College; National Clinical Research Center for Obstetric & Gynecologic Diseases, Beijing, China.
EBioMedicine
|June 6, 2025
概括
一个人工智能驱动的诊断模型通过建立新的AI-参考范围来确定表面肌电图 (sEMG) 参数,显著改善了盆底功能障碍 (PFD) 诊断,其性能优于旧的格莱泽协议.
科学领域:
- 生物医学工程 生物医学工程
- 人工智能在医学中的应用
- 盆地疾病 研究研究 盆地疾病
背景情况:
- 盆地表面电肌图 (sEMG) 对于评估和治疗盆地功能障碍 (PFD) 至关重要.
- 现有的Glazer协议是20多年前以有限的样本大小开发的,在多种不同人群中准确诊断PFD方面面临挑战.
- 需要更新,更可靠的参考范围和先进的PFD诊断方法.
研究的目的:
- 建立一个多维数据库来监测盆底sEMG.
- 为了获得更准确的AI-参考范围的sEMG参数.
- 开发和验证人工智能 (AI) 模型,用于准确诊断PFDs.
主要方法:
- 一项基于人口的,多中心的,横截面研究,涉及来自中国21个中心的1605名参与者.
- 使用人工智能开发一个多维sEMG数据库和一个AI-Diagnostician-PFD诊断模型.
- 数据分为培训 (60%),测试 (40%) 和独立验证数据集,确保跨不同地理区域的代表性.
主要成果:
- 在外部验证数据集中,AI-参考范围显示接收器操作特征曲线 (AUC) 下的面积比Glazer标准高11%.
- 人工智能-诊断师-PFD模型实现了AUC值为0.81 (内部) 和0.79 (外部验证),超过了Glazer标准的AUC值为0.76和0.68.
- 人工智能模型表现出 PFD 的优越诊断性能,与其他经典和深度学习模型相比,AUC 高出 1%.
结论:
- 人工智能衍生的参考间隔显著优于PFD诊断的已建立的格莱泽标准.
- 人工智能-诊断师-PFD模型提供了更高的准确性,并将作为软件免费提供.
- 预计在临床实践中实施这种AI算法将改善个人PFD诊断和人口健康结果.


