用深度学习启用超声波来推进前面的状带损伤分类:一个多中心模型开发和验证研究
Xiaochen Shi1, Haoyan Zhang2, Yu Yuan3
1Department of Trauma and Orthopedics, Peking University People's Hospital, No.11, Xizhimen South Street, Xicheng District, Beijing 100044, PR China (X.S., H.X.).
Academic radiology
|August 5, 2025
概括
一个新的深度学习 (DL) 模型,ATFLNet,在使用超声波诊断前额带 (ATFL) 损伤时表现出卓越的性能. 人工智能辅助的策略显著提高了放射科医生的准确性,并减少了临床环境中的诊断变化.
科学领域:
- 整形外科 整形外科 整形外科
- 放射学 放射学是一门学科.
- 医疗成像医学成像
- 人工智能的人工智能
背景情况:
- 超声波 (US) 是主要的成像方法,用于评估前额带 (ATFL) 损伤.
- 目前的诊断方法可能受到观察者之间的变化和ATFL伤害分类的复杂性所限制.
研究的目的:
- 开发和验证一个基于美国的深度学习 (DL) 模型 (ATFLNet) 来分类ATFL损伤.
- 评估人工智能 (AI) 在改善放射科医生对ATFL损伤的诊断性能方面的潜力.
主要方法:
- 一个DL模型 (ATFLNet) 被训练并验证了来自ATFL受伤患者和健康对照的美国图像的大数据集.
- 模型的性能与高级放射科医生在外部验证数据集上的性能进行了比较.
- 一个人工智能辅助的诊断策略被开发和测试在模拟和潜在的临床场景.
主要成果:
- 在多个数据集中,ATFLNet在所有伤害类别中实现了高精度 (AUC ≥0.970).
- 在诊断ATFL损伤方面,DL模型始终优于高级放射科医生.
- 在ATFLNet的帮助下,该战略显著提高了放射科医生的准确性,并减少了诊断变异性,特别是对于初级放射科医生来说.
结论:
- 基于美国开发的DL模型在评估ATFL损伤时,与人类专家相比,表现优越.
- 人工智能辅助的策略显着有望提高ATFL损伤评估的诊断准确性和现实世界临床实践的一致性.
