通过深度学习对班卡特病变进行非侵入性诊断
Sahil Sethi1, Sai Reddy1, Mansi Sakarvadia2
1Pritzker School of Medicine, University of Chicago, IL, USA.
概括
深度学习模型在标准MRI上准确地检测到Bankart病变,这可能会减少对侵入性MRI关节图 (MRA) 的需求,并提高诊断信心.
科学领域:
- 整形外科成像 整形外科成像
- 医学中的人工智能.
- 放射学 放射学是一门学科.
背景情况:
- 班卡特病变 (前下腺腹部撕裂) 在标准的MRI上提出了诊断挑战.
- 微妙的成像特征往往需要侵入性MRI关节图 (MRAs) 进行准确的诊断.
- 减少对侵入性手术的依赖是骨科成像的一个关键目标.
研究的目的:
- 开发和评估深度学习 (DL) 模型来检测班卡特病变.
- 评估DL模型在标准MRI和MRA上的性能.
- 提高诊断准确度,减少对侵入性MRAs的需要.
主要方法:
- 来自558名患者的586个肩部MRI (335个标准,251个MRA) 的数据集进行了策划.
- 在手术内发现的结果是Bankart病变诊断的基本真理.
- 斯温变压器DL模型经过标准MRI和MRA的培训和评估.
主要成果:
- DL模型实现了高性能:标准MRI的AUC为0.87,MRA的AUC为0.90.
- 精度,灵敏度和特异性与放射科医生的性能相当或超过.
- 该模型在非侵入性标准MRI上的性能与解释MRA的放射科医生相匹配或超越.
结论:
- 深度学习模型显示在诊断微妙的病理,如班卡特病变的可行性.
- 这些DL模型可以提高诊断的信心,减少对侵入性成像的依赖.
- 改进的诊断工具可以提高对骨科护理的可访问性.
