基于AFFM-YOLOv8系统的腰椎间盘的MRI分级
Yanfei Wang1,2,3, Zong Yang1,2,3,4, Songlin Cai1,2,3
1The First College of Clinical Medical Science, China Three Gorges University, Yichang, China.
Scientific reports
|September 25, 2025
概括
一个新的深度学习模型使用MRI扫描自动检测腰椎间盘 (LDH). 这种人工智能工具实现了临床医生水平的准确性,改善了诊断,并可能减少患者护理的延迟.
科学领域:
- 放射学和医学成像学 医学成像学
- 人工智能在医学中的应用
- 脊柱外科手术 脊柱外科手术
背景情况:
- 磁共振成像 (MRI) 是诊断腰椎间盘 (LDH) 的标准.
- 当前的诊断方法可能是耗时和主观的.
- 自动化LDH检测可以提高效率和一致性.
研究的目的:
- 开发和验证用于自动化LDH检测的深度学习 (DL) 模型.
- 根据密歇根州立大学 (MSU) 的形态标准对LDH亚型进行分类.
- 评估模型的性能与专家放射科医生对比.
主要方法:
- 利用了来自8,428名患者的10万个轴向T2加权的腰部MRI扫描的大数据集.
- 开发了一个可适应的多级特征融合深度学习架构 (AFFM-YOLOv8).
- 脊椎外科医生根据MSU标准 (11个LDH亚型) 进行注释数据集.
- 使用准确度,精度,回忆,F1得分和科恩 κ. 的方法验证了模型性能.
主要成果:
- AFFM-YOLOv8模型获得了91.01%的F1得分,比基线表现出色了3.05%.
- 在所有指标中显示回忆率有3%的提高.
- 在预测外科指标方面达到了强烈的评价者间一致,相当于专家共识 (高级外科医生的κ=0.91).
结论:
- 通过使用大规模MRI数据建立了一个有效的DL框架,用于使用大规模MRI数据进行自动LDH诊断.
- 该模型为符合MSU的LDH分类提供了临床医生级准确性.
- 这种工具可以标准化LDH评估,提供细分的见解,并减少诊断延迟,特别是在资源有限的环境中.
