深度学习模型在评估肩膀关节镜场视觉清晰度时的可靠性,与出血相关
Son Quang Tran1,2, Minh Cong Bui1,2, Dat Tien Nguyen3
1Clinical Sciences Program, Faculty of Medicine, Chulalongkorn University, Bangkok, Thailand.
JSES international
|June 9, 2025
概括
深度学习模型可以客观地评估肩膀关节镜图像清晰度,DenseNet169显示出高可靠性. 这有助于研究,在手术期间提供一贯的视野质量测量.
科学领域:
- 医疗成像医学成像
- 在外科手术中使用人工智能
- 整形外科手术 整形外科手术
背景情况:
- 在手术期间出血影响肩膀关节镜可视化.
- 对视觉清晰度的客观评估对于手术质量至关重要.
研究的目的:
- 开发深度学习模型来分类肩部关节镜图像清晰度.
- 评估模型可靠性与人类评分员的评估.
主要方法:
- 追溯审查113个肩膀关节镜视频.
- 使用转移学习与DenseNet169和ViT.这样的模型训练3750张图像的数据集.
- 使用百分比协议和加权的卡帕系数评估模型性能.
主要成果:
- 多个模型在验证中超过了90%的准确性.
- 而DenseNet169,InceptionResNetV2和ViT则表现出与评级机构的强烈共识.
- 在评估外科视频清晰度方面,DenseNet169获得了最高的可靠性 (ICC=0.9).
结论:
- DenseNet169模型提供了可靠的,客观的衡量肩部关节镜视觉清晰度的方法.
- 这种AI工具可以通过标准化清晰度评估来支持未来的研究.
