在小儿脑患者的部疾病的机器学习辅助分类,使用迁移百分比测量
Sema Ertan Birsel1, Ekrem Demirci2, Ali Seker2
1Ortopediatri Pediatric Orthopedics Academy, Istanbul, Turkey.
Bone reports
|June 10, 2025
概括
一种支持向量机 (SVM) 模型准确地对脑 (CP) 儿童的部位移进行了分类. 这种人工智能工具提高了部疾病的诊断精度,改善了患者的治疗结果.
科学领域:
- 整形外科 整形外科 整形外科
- 医疗成像医学成像
- 人工智能的人工智能
背景情况:
- 部位移是儿科脑 (CP) 中的一个关键问题.
- 准确的评估对于预防长期并发症至关重要.
- 当前的手动评估可能会有变化.
研究的目的:
- 开发和评估一个支持向量机 (SVM) 模型,用于对患有CP的儿童的部疾病进行分类.
- 将SVM模型的诊断准确性与手动临床评估进行比较.
主要方法:
- 一种支持向量机 (SVM) 模型被训练,使用来自176张骨盆放射的迁移百分比 (MP) 数据.
- MP值被分为正常 (≤30%),危险 (3060%) 和脱 (>60%).
- 使用分层的k-fold交叉验证,使用准确性,精度,回忆和F1分数作为评估指标.
主要成果:
- 在可靠性方面,SVM模型的整体准确性达到92.898%,超过了手动评估的可靠性.
- 该模型在识别出位的部方面表现出了特别强的优势.
- 统计分析证实模型的MP测量与临床医生的MP测量之间没有显著差异.
结论:
- SVM模型显示出在儿童部疾病中提高诊断准确性的巨大潜力.
- 这种人工智能方法可以减少评估的变化,并支持临床决策.
- 未来的工作应该涉及更大的数据集和先进的机器学习模型,以提高精度.
