基于深度学习的急性阴囊的分类,使用单个超声波图像

科学领域:

• 医学成像医学成像
• 医学中的人工智能
• 诊断工具 诊断工具 诊断工具

背景情况:

• 急性阴囊是一种常见的儿科手术紧急情况.
• 及时诊断丸扭伤对于预防丸损失至关重要.
• 超声波 (US) 是急性阴囊评估的主要成像方式.

研究的目的:

• 开发和评估一种深度学习模型,用于使用单个超声波图像对急性阴囊的差异诊断.
• 评估模型区分丸扭转与急性阴囊其他原因的能力.
• 用类激活映射解释模型的决策过程.

主要方法:

• 使用EfficientNet架构的二进制分类模型在1172张美国多普勒图像上训练了患有急性阴囊疼痛的患者.
• 数据集分为70%的培训和30%的验证数据集.
• 数据增强和类权重被用来处理类不平衡,类激活映射被用于可解释性.

主要成果:

• 深度学习模型实现了高诊断性能,准确率为97%,精度为98%,灵敏度为97%,F1得分为97%.
• 班级激活映射突出了关键区域,如缺少丸血流和旋迹象,有助于诊断.
• 一项针对20名患者的前性试点研究显示,该系统在确诊病例中正确识别了扭曲.

结论:

• 深度学习模型显示出从单个超声波图像中诊断急性阴囊紧急情况的前景.
• 在小型试点研究中进行的初步可行性评估令人鼓舞.
• 需要进行更大规模的多中心研究,以确定这种AI工具的临床实用性和工作流集成.