相关实验视频
Updated: Jan 14, 2026
10:02
State of the Art Cranial Ultrasound Imaging in Neonates
Published on: February 2, 2015
25.7K
基于人工智能的超声波分辨在幼儿的头骨骨折和正常之间
Saskia Hankel1, Holger Till2, Gerolf Schweintzger3
1Department of Pediatric and Adolescent Surgery, Medical University of Graz, Auenbruggerplatz 34, 8036, Graz, Austria.
Scientific reports
|October 23, 2025
概括
人工智能 (AI) 现在可以在儿科超声波中区分头骨骨折和 sutures,提高诊断准确度. 人工智能辅助显著提高了人类评分器的性能,为基于辐射的成像提供了更安全的替代方案.
科学领域:
- 儿科放射学 儿科放射学
- 医学成像分析 医学成像分析
- 人工智能在医学中的应用
背景情况:
- 在幼儿中,区分头骨骨折与是诊断上具有挑战性的.
- 像CT扫描这样的传统方法使用电离辐射,而超声波需要专门的专业知识.
- 在儿科头骨成像中需要更安全,更准确的诊断工具.
研究的目的:
- 开发和评估一种人工智能 (AI) 模型,用于使用儿科超声波图像区分头骨骨折和.
- 将人工智能模型的诊断性能与不同专业知识的人类评分器进行比较.
- 评估人工智能协助改善诊断准确性的影响.
主要方法:
- 一项回顾性研究分析了385张来自86名儿童的超声波图像,这些儿童怀疑头骨骨折.
- 包括EfficientNet和YOLOv11在内的AI模型被训练用于二进制分类和对象定位.
- 采用了十倍交叉验证,并将人工智能性能与9个人类评估者进行了比较,无论是有还是没有人工智能协助.
主要成果:
- EfficientNet B6获得了最高的F1分数 (0.841) 和PR AUC (0.913) 的分类.
- 与没有人工智能辅助的评级者 (0.749) 相比,人工智能辅助的评级者显示F1得分有所改善 (0.833).
- 人工智能模型的表现始终优于无助人类解释,YOLOv11模型的表现低于EfficientNet.
结论:
- 这项研究介绍了第一个能够区分头骨骨折与儿童超声波上的 sutures 的AI模型.
- 人工智能显示出在儿童头骨成像中提高诊断准确性和效率的巨大潜力.
- 未来的研究应该专注于更大的数据集,独立验证,并纳入动态超声波数据.
