用多中心数据集增强人工智能诊断先天性耳道形
Hantao Li1, Xueqing Zhou, Xiangdong Qi
1Department of Plastic and Aesthetic, Zhujiang Hospital, Southern Medical University, Guangzhou, Guangdong Province, China.
The Journal of craniofacial surgery
|September 29, 2025
概括
人工智能 (AI),特别是卷积神经网络 (CNN),在诊断先天性耳朵形方面表现有前途. 提高AI诊断准确性需要多样化,多中心的数据集,以改善模型概括.
科学领域:
- 医疗成像医学成像
- 医疗保健中的人工智能
- 儿科诊断 儿科诊断 儿科诊断
背景情况:
- 早期诊断先天性耳膜形对于及时干预至关重要.
- 目前用于医学诊断的AI模型往往受限于小的,非代表性的数据集,阻碍了临床应用.
- 提高AI模型的概括性对于可靠的临床决策支持至关重要.
研究的目的:
- 提高人工智能模型对先天性耳朵形的诊断能力.
- 为应对医疗应用人工智能开发中数据多样性有限的挑战.
- 为培训和验证人工智能模型创建一个强大的多中心数据集.
主要方法:
- 通过将BabyEar4k公共数据集与来自多个临床中心的图像合并,创建了一个全面的数据集.
- 卷积神经网络 (CNN) 模型使用这种多样化的数据集进行了训练和微调.
- 使用标准指标严格评估模型性能,包括精度,灵敏度和特异性.
主要成果:
- 精心调整的CNN模型在关键评估指标上表现出高性能.
- 使用多样化的多中心数据集显著提高了人工智能模型的概括性.
- 多中心数据方法对于开发临床适用的AI工具至关重要.
结论:
- 多样化和大规模的数据集对于优化AI模型在临床环境中的性能至关重要.
- 人工智能模型,特别是CNN,具有显著的潜力,可以彻底改变耳朵形的早期诊断.
- 标准化的诊断标准和全面的数据集是释放AI在医疗保健中的全部潜力的关键.
