人工智能辅助的前十字带撕裂的准确诊断使用定制的CNN和YOLOv9
Taner Alic1, Sinan Zehir1, Meryem Yalcinkaya2
1Orthopaedics and Traumatology Department, Hitit University Faculty of Medicine, Corum, Türkiye.
Frontiers in radiology
|November 20, 2025
概括
一个新的CustomCNN深度学习模型使用MRI扫描准确地检测前十字带 (ACL) 撕裂,包括部分撕裂. 这种人工智能工具可以帮助外科医生和放射科医生及时诊断和治疗计划.
科学领域:
- 整形外科 整形外科 整形外科
- 放射学 放射学是一门学科.
- 人工智能的人工智能
背景情况:
- 通过MRI对前十字带 (ACL) 撕裂的准确诊断对于有效的治疗计划至关重要.
- 深度学习 (DL) 对ACL撕裂检测有前途,但往往因为数据集小且缺乏外科验证而受到影响.
- 以前的研究经常排除部分ACL撕裂,限制了临床适用性.
研究的目的:
- 评估多个卷积神经网络 (CNN) 架构,包括一个新的CustomCNN,用于检测ACL撕裂.
- 利用大型的,经过手术验证的数据集,进行可靠的模型培训和评估.
- 评估DL模型在识别部分和完整的ACL撕裂方面的性能.
主要方法:
- 在8086个膝盖MRI切片上训练和评估了11个DL模型,包括CustomCNN,DenseNet121和InceptionResNetV2.
- 确保严格的患者级数据分离,以防止数据泄露,并确保可靠的性能指标.
- 使用准确度,灵敏度,特异性和接收器操作特征曲线 (AUC) 下的面积来评估模型性能.
主要成果:
- CustomCNN模型实现了最高的性能:91.5%的准确度,92.4%的灵敏度和0.913的AUC.
- 包括部分撕裂改善了临床相关性,患者层面的分割降低了度量通胀.
- 提出的DL方法显示出具有竞争力的结果,克服了先前研究的局限性.
结论:
- 该CustomCNN模型提供快速,可靠的检测ACL撕裂,包括部分病变,作为一个有价值的决策支持工具.
- 手术验证的数据和严格的方法提高了DL方法的临床可信度.
- 未来的研究应该专注于多中心数据集和前性研究,以获得更广泛的概括性和临床整合性.
