基于超声波图像的深度学习算法,用于识别基于超声波图像的部发育性发育不良:中国的一项回顾性,前性,多中心研究
Na Xu1,2, Tong Han3,4, Bingxuan Huang1,2
1Department of Medical Ultrasonics, Affiliated Shenzhen Children's Hospital, College of Medicine, Shantou University, No. 7019 Yitian Road, Shenzhen, China.
EClinicalMedicine
|October 27, 2025
概括
一种新的深度学习算法,HipSonoNeuNet模型 (HSNN),在使用超声波图像检测婴儿部发育性形 (DDH) 中显示出高准确性和稳定性. 这种人工智能工具提高了诊断性能,减少了检查时间,为儿科成像提供了有希望的进步.
科学领域:
- 医疗成像医学成像
- 医疗保健中的人工智能
- 儿科放射学 儿科放射学
背景情况:
- 部超声波是婴儿部发育性形 (DDH) 的首要诊断工具.
- 目前的超声波方法具有糟糕的可重现性和高错误率,需要改进的诊断方法.
- 这项研究解决了用于DDH检测的传统部超声波的局限性.
研究的目的:
- 开发和验证一个深度卷积神经网络算法,HipSonoNeuNet模型 (HSNN).
- 通过使用多中心部超声波数据,评估HSNN模型的诊断性能和通用性.
- 将HSNN模型的诊断能力与不同经验水平的放射科医生进行比较.
主要方法:
- 一项涉及22家中国医院3082名参与者的多中心横截面研究.
- 收集了7286张部超声波图像,分为训练,比较和潜在验证数据集.
- 开发和逐步评估HSNN算法,包括与放射科医生的性能直接比较.
主要成果:
- 在内部测试中,HSNN模型实现了高性能指标,包括0.99的AUC和1.00的灵敏度.
- 与放射科医生相比,HSNN表现出强烈的一致性 (κ = 0.77) 和卓越的诊断性能.
- 使用HSNN的人工智能辅助提高了初级放射科医生的精度 (0.90至0.93) 和灵敏度 (0.69至0.97),同时减少了检查时间.
- 前性验证证实了该模型的强大通用性,准确度为0.92和AUC为0.99.
结论:
- HipSonoNeuNet模型 (HSNN) 展示了准确,强大和可泛化的性能,用于检测部发育性形 (DDH).
- HSNN算法显示,它有可能提高儿科部超声检查的诊断准确性和效率.
- 这种人工智能驱动的方法在早期识别和治疗婴儿DDH方面取得了重大进展.
更多相关视频
08:40Author Spotlight: A Novel 3D-Printed Titanium Implant for Minimally Invasive Treatment of Hip Dysplasia in Young Dogs
Published on: April 19, 2024
3.7K
11:38Author Spotlight: Enhancing PSC-to-Functional Cell Differentiation Using ML Models Based on Live-Cell Bright-Field Imaging
Published on: October 4, 2024
1.1K
