使用深度学习,基于长度图像的预测,使用深度学习对患有水缩的婴儿进行手术干预:单次超声波足够吗?
Adree Khondker1,2, Stanley Bryan Z Hua3,4,5, Jethro C C Kwong1,2
1Department of Surgery, University of Toronto, Toronto, Canada.
PLOS digital health
|August 4, 2025
概括
使用多个脏超声波的机器学习模型与单次访问模型相比,没有改善预测需要皮叶塑性手术的情况. 早期的单个超声波图像足以在水缩中进行风险分层.
科学领域:
- 医学成像医学成像
- 机器学习在医疗保健中的应用
- 儿科病学 儿科病学
背景情况:
- 深度学习显示了通过脏超声波预测脏阻塞的前景.
- 目前基于图像的分类器仅依赖于一次性访问的超声波数据.
- 水解剖症的管理需要精确的风险分层对干预措施,如发热塑性.
研究的目的:
- 开发和比较机器学习 (ML) 模型用于水缩风险分层.
- 为了评估多次访问超声波数据与单次访问数据的有效性.
- 为了生成水缩症严重性指数得分,以预测皮叶造形手术的需要.
主要方法:
- 使用来自三个机构的超声波数据开发了单次访问和多次访问的ML模型.
- 采用了包括平均预测,卷积聚合,LSTM和时间转移模型在内的技术.
- 使用接收器-操作员特征下的面积 (AUROC) 和精度召回曲线下的面积 (AUPRC) 进行模型性能比较.
主要成果:
- 多次访问模型在AUROC或AUPRC中没有显著优于单次访问模型.
- 在单次访问模型中,在使用第一个或最新的超声波之间没有观察到显著的差异.
- 模型的表现在多个机构中是一致的,尽管皮埃洛普拉斯蒂率各不相同.
结论:
- 结合多次访问超声波数据的机器学习模型没有在水缩风险分层方面表现出优于单次访问模型的优势.
- 单次访问超声波模型似乎足以准确地分层风险.
- 早期的超声波成像可以有效地帮助识别需要皮埃洛塑性手术的患者.
