开发一种多式视觉变压器模型,用于预测磁共振成像中的创伤性与退行性旋转手套撕裂:单中心回顾性研究:

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.
• 人工智能的人工智能

背景情况:

• 区分创伤性和退行性旋转手套撕裂 (RCT) 对治疗规划具有临床意义.
• 传统的MRI解释在区分RCT病因方面存在局限性.
• 人工智能 (AI) 为提高诊断准确性提供了一个潜在的解决方案.

研究的目的:

• 评估多式视觉转换器 (ViT) AI模型在使用MRI区分创伤性和退行性RCT的有效性.
• 评估人工智能模型在具有挑战性的诊断场景中与相似的患者群体的表现.

主要方法:

• 对接受手术的99名肩膀MRI的回顾性分析.
• 队列分为培训 (n=79) 和验证 (n=20) 集.
• 开发和评估了一种多式联通的ViT,包括人口统计数据. Saliency 地图被用于解释性.

主要成果:

• 多模式ViT模型实现了75%的精度 (±0.08),回忆率为80% (±0.08),特异性为71% (±0.11),F1得分为76% (±0.1).
• 该模型在不同患者子组中展示了强大的概括性.
• 突出地图并不始终突出旋转手套肌,这表明可能需要进一步改进.

结论:

• 人工智能,特别是多式ViT,在MRI上支持创伤性和退行性RCT的差异化方面显示出潜力.
• 鉴于研究组的诊断困难,75%的准确性是值得注意的.
• 像突出性地图这样的可解释性工具提供了洞察力,但也表明了对诊断特征进行进一步调查的领域.