使用开源平台对人工智能模型进行肢体长度差异测量的临床部署和潜在验证

科学领域:

• 医疗成像中的人工智能
• 儿科整形外科 儿科整形外科
• 放射学工作流的优化 工作流的优化

背景情况:

• 肢体长度差异 (LLD) 是一个常见的儿科骨科疾病,需要精确的测量.
• 对LLD评估的AI模型的临床部署和前性验证尚未得到充分确立.
• 准确的LLD测量对于指导治疗决策和监测成长至关重要.

研究的目的:

• 部署一个旨在测量四肢长度差异 (LLD) 的人工智能 (AI) 模型.
• 在临床环境中对部署的LLD AI模型的性能进行前性验证.
• 评估将AI驱动的LLD测量集成到放射学工作流程中的可行性.

主要方法:

• 一个LLD AI模型使用Docker进行了容器化,并集成到临床计算平台中.
• 进行了两项前性验证研究:影子试验和使用EOS扫描图的临床试验.
• 人工智能生成的骨长与放射科医生的测量使用中位数绝对差异 (MAD) 进行了比较.

主要成果:

• 影子试验 (n=84) 显示,腿部和部长度的MAD为0.2厘米.
• 临床试验 (n=114) 显示,股骨长度的MAD为0.3厘米,骨长度为0.2厘米.
• 人工智能模型在估计骨长度方面实现了与放射科医生可比的性能指标.

结论:

• 一个计算平台使LLDAI模型能够无部署和集成到临床工作流程中.
• 未来的验证证实了人工智能模型在测量四肢长度差异方面的可靠性能.
• 该LLDAI模型可以充当一个有价值的二级阅读器,增强诊断信心和准确性.