基于实时可解释的深度学习的人机交互,从横向B模式扫描视频中更准确地分级动脉狭窄
Jia Liu1, Xinrui Zhou2, Hui Lin1
1The Third Affiliated Hospital of Sun Yat-sen University, 600 Tianhe Road, Tianhe District, Guangzhou 510630, China.
European journal of radiology
|September 25, 2025
概括
一个新的深度学习 (DL) 模型,CaroNet-Dynamic 2.0,帮助放射科医生使用超声波视频对动脉狭窄进行分类. 人机交互改善了诊断性能,特别是对于初级放射科医生来说.
科学领域:
- 医疗成像医学成像
- 人工智能在医学中的应用
- 放射学 放射学是一门学科.
背景情况:
- 动脉狭窄的诊断对于预防中风至关重要.
- 深度学习 (DL) 模型在医学图像分析中表现有前途.
- 在DL中解释性对于临床采用至关重要.
研究的目的:
- 开发一种可解释的DL模型,用于喉狭窄症分类.
- 将AI可解释性和人类监督纳入诊断工作流程.
- 评估人机交互对诊断性能的影响.
主要方法:
- 对怀疑心血管狭窄症 (≥50%) 的患者进行前性研究.
- DL模型CaroNet-Dynamic 2.0训练在动脉横向超声波视频上.
- 评估模型性能和与放射学家的人机交互.
主要成果:
- 卡罗网-动态2.0表现出强大的性能,与高级放射科医生相美.
- 人机交互显著提高了初级放射科医生的诊断准确度.
- 人机交互的AUROC在0.868-0.904之间,仅次于初级放射科医生.
结论:
- 可解释的DL模型可以帮助放射科医生分类动脉狭窄.
- 人机交互提高了诊断性能和临床决策.
- CaroNet-Dynamic 2.0 促进了放射科医生积极参与人工智能辅助诊断.
