深度学习和放射学在预测聚合神经炎中的比较

科学领域:

• 医疗成像医学成像
• 人工智能在医学中的应用
• 神经学 神经学

背景情况:

• T2加权的MRI是诊断多髓炎 (PM) 的一个关键的非侵入性工具.
• 对深度学习与PM诊断的放射学进行比较的数据有限.
• 这项研究评估了3D CNNs与PM预测中的放射学相对的有效性.

研究的目的:

• 评估3DCNN用于多质神炎诊断的可行性和性能.
• 为了比较3D CNNs的诊断准确性与放射学.
• 研究将深度学习和放射学结合在一起,以提高PM评估的潜力.

主要方法:

• 使用T2加权的MRI数据来自120名患者 (60 PM) 在培训中,30名 (15 PM) 在验证中,46名 (23 PM) 在外部测试中.
• 提取了直腿骨的放射学特征,并开发了一个放射学得分模型.
• 通过使用"monai"框架训练了3D CNN分类模型和3D Unet细分模型.
• 在外部测试数据上比较了3D CNN和放射学得分的准确性,使用配对的奇平方测试.

主要成果:

• 3D CNN在验证数据上达到97%的准确性,在外部测试数据上达到93%的准确性 (96%的灵敏度,91%的特异性).
• 放射学分数在验证数据上达到90%的准确性,在外部测试数据上达到67%的准确性 (70%的灵敏度,65%的特异性).
• 在外部测试组中,3D CNN显著超过了放射学得分 (P=.035).
• 对于直骨骨的3D细分模型实现了0.71.7的子相似系数.

结论:

• 3D CNN模型显示出高准确度,并且在预测多菌炎时与放射学分数不逊色.
• 深度学习和放射学的结合显示出未来对PM的临床评估的前景.
• 深度学习方法提供了一种强大的工具,可以提高MRI在神经肌肉疾病 (如PM) 中的诊断准确度.