通过使用深度学习模型的白细胞酶条纹测试对周围假肢关节感染的辅助诊断
Qing-Yuan Zheng1,2,3, Ying Yu4, Pengcheng Li2,5
1Department of Orthopedics, The Ninth Medical Center, Chinese PLA General Hospital, Beijing, China.
International journal of surgery (London, England)
|December 19, 2025
概括
深度卷积神经网络 (DCNN) 模型有效地检测白细胞雌激酶 (LE) 条纹,用于诊断周围假肢关节感染 (PJI). 这种人工智能驱动的方法提高了诊断的客观性和可靠性,在临床验证中显示出高准确性.
科学领域:
- 人工智能在医学中的应用
- 诊断成像 诊断成像 诊断成像
- 整形外科手术 整形外科手术
背景情况:
- 周围假肢关节感染 (PJI) 在骨科手术中构成了重大挑战.
- 准确和及时诊断PJI对于有效的治疗和患者的结果至关重要.
- 目前PJI的诊断方法可以是主观的,并受到外部因素的影响.
研究的目的:
- 验证深度卷积神经网络 (DCNN) 模型的有效性,用于自动检测白细胞雌激酶 (LE) 条.
- 评估DCNN模型在诊断PJI中的表现.
- 提高PJI诊断中LE带检测的客观性和可靠性.
主要方法:
- 使用基于AlexNet的DCNN模型进行了前性诊断试验,用于PJI诊断.
- 该DCNN模型在46名患者的LE条形图像和白细胞计数上进行了训练.
- 该模型对78名患者进行了前性评估,在离心前后测试了LE条纹,并将结果与ICM2018标准和其他临床标记器进行了比较.
主要成果:
- 该DCNN模型在离心前达到0.92的曲线下面面积 (AUC),在离心后达到0.91.
- 灵敏度和特异性很高,分别高达0.83和1.00的值.
- 该模型表现出强大的可靠性,卡帕值表明与传统PJI诊断方法的良好一致性.
结论:
- 该DCNN模型显示出卓越的性能和高可靠性,用于诊断PJI.
- 这种基于人工智能的方法提高了LE条纹测试的客观性,并减少了外部影响.
- 建议进一步进行大规模的多中心研究,以优化模型的诊断能力.


