人工智能深度学习超声波对化品填料的歧视:一个多中心研究

科学领域:

• 皮肤病学和医学成像学
• 人工智能在医学中的应用
• 声学成像和分析.

背景情况:

• 化品填充剂的识别在皮肤学和美学超声波 (美国) 中至关重要.
• 目前的诊断方法缺乏对各种填充剂类型的AI驱动的歧视能力.
• 需要客观,人工智能驱动的工具来区分化品填充剂在美国.

研究的目的:

• 研究人工智能 (AI) 在使用超声波 (美国) 识别化品填充剂方面的有效性.
• 开发和评估一种深度学习 (DL) 模型,用于识别氨酸 (HA),聚甲基甲酸 (PMMA),酸 (CaHA) 和油 (SO) 填充剂.
• 评估YOLO (你只看一次) 架构在现实世界美国成像条件下的性能.

主要方法:

• 一个国际合作小组收集并处理了1432张匿名的美国图像.
• 采用了使用YOLO (你只看一次) 架构的深度学习 (DL) 技术.
• 专家们使用边界框注释工具手动划定了感兴趣的区域,用于填充区分.

主要成果:

• 人工智能模型在交叉验证折叠中实现了0.92 ± 0.04的强大平均准确性.
• YOLOv11在检测HA (F1分数:0.96 ± 0.02) 和SO (F1分数:0.94 ± 0.04) 中表现出色.
• 鉴定CaHA和PMMA的表现不太一致,F1得分约为0.83.

结论:

• 人工智能,特别是YOLOv11,可靠地在各种美国设备和运营商中区分HA和SO填充剂.
• 需要进一步进行人工智能和深度学习 (DL) 研究,以提高对CaHA和PMMA填充剂的准确识别.
• 这项研究强调了人工智能在通过超声波推进化品填充剂表征方面的潜力.