对一个升级的AI模型的外部验证,用于使用儿科腹部X射线扫描查乳房内肠:多中心回顾性研究

科学领域:

• 放射学 放射学是一门学科.
• 人工智能的人工智能
• 儿科成像学 儿科成像学

背景情况:

• 在儿科成像中,人工智能 (AI) 的发展是有限的,特别是对于像大脑内吸收这样的新出现的疾病.
• 乳房内肠接需要及时诊断,以防止严重的并发症.
• 腹部放射 (AXR) 通常是第一线成像方式,但超声波是诊断标准.

研究的目的:

• 升级和外部验证人工智能模型,用于使用儿科AXRs选乳房内.
• 将人工智能模型的诊断性能与有或没有人工智能辅助的放射科医生进行比较.

主要方法:

• 对接受AXR和超声波的儿科患者 (≤5岁) 的回顾性研究.
• 人工智能模型再培训使用来自A和B医院的多中心数据.
• 外部验证使用C和D医院的数据集.
• 读者研究评估放射科医生的表现,有或没有人工智能辅助.

主要成果:

• 升级的AI模型实现了81.7%的灵敏度和81.7%的特异性,在外部验证中AUC为86.2%.
• 没有人工智能辅助的放射科医生表现较低 (AUC 64%).
• 人工智能帮助使放射科医生的特异性提高到93%和AUC提高到79.2%,对于经验较少的读者来说,有显著的收益.

结论:

• 升级的AI模型增强了AXRs上的儿科大肠内检查的诊断性能.
• 人工智能辅助显著提高了放射科医生的准确性,特别是对于那些经验较少的人来说.
• 人工智能工具显示出在儿科紧急情况下作为查和分拣解决方案的潜力.