人工智能有助于医生诊断死角性肠球炎并预测使用腹部放射图的手术:一项多中心研究

科学领域:

• 医疗成像医学成像
• 人工智能在医学中的应用
• 新生儿手术 新生儿手术

背景情况:

• 新生儿死性肠球炎 (NEC) 诊断是具有挑战性的,因为微妙的放射性迹象和解释器的变化.
• 延迟诊断NEC可能会导致早产婴儿的不良结果.
• 准确地解释腹部X射线图 (ARs) 对于及时的NEC管理至关重要.

研究的目的:

• 开发和评估基于卷积神经网络 (CNN) 的人工智能 (AI) 模型,用于从ARs预测NEC.
• 评估人工智能模型在医学和外科NEC病例之间区分的能力.
• 确定人工智能辅助是否可以提高临床医生在解释NEC诊断的AR时的准确性.

主要方法:

• 从3个中心的576名早产婴儿中回顾收集了738个AR.
• 在两个中心的数据上,对六个深度学习模型 (Efficientnet,Inception_v3,VGG,Resnet,Squeezenet,Densenet) 的培训和内部测试.
• 在第三个中心的数据上进行外部验证,将临床医生的准确性与人工智能辅助可视化进行比较.

主要成果:

• 在外部测试数据上,Efficientnet-b0模型实现了高AUC值 (0.883为非NEC,0.640为医疗NEC,0.837为外科NEC).
• 与单中心模型相比,人工智能模型表现出更高的性能.
• 在AI的帮助下,临床诊断的准确性提高了2.0%至26.2%.

结论:

• 基于CNN的AI模型可以有效地预测NEC,并使用ARs识别外科干预需求.
• 开发的人工智能模型在支持NEC的临床决策方面表现有前途.
• 人工智能辅助提高了对新生儿死性肠球炎的腹部放射图解的解释准确度.