闭环基于计算机的人工智能模型"Maverik"以帮助诊断和差异诊断儿童发病的慢性非细菌性骨髓炎:试点研究
Emil Aliyev1,2, Yagizhan Ugur3, Adalet Elcin Yildiz4
1Department of Pediatric Rheumatology, Hacettepe University, School of Medicine.
概括
这项研究开发了一种人工智能模型,以帮助诊断儿童慢性非细菌性骨髓炎 (CNO). 人工智能模型显示出高准确度,帮助儿科风湿病学家更有效地识别CNO病例.
科学领域:
- 儿科风湿病学 儿科风湿病学
- 人工智能在医学中的应用
- 医学诊断 医学诊断 医学诊断
背景情况:
- 儿童发病的慢性非细菌性骨髓炎 (CNO) 是一种经常被误诊的炎症性骨病.
- 在儿科风湿病学中经常遇到CNO,但对它的理解仍然很差.
- 早期和准确的CNO诊断至关重要,以避免与恶性瘤或生长疼痛等其他疾病混.
研究的目的:
- 开发和评估一个计算机辅助,医生友好的人工智能 (AI) 模型来检测CNO.
- 提高儿童患者中CNO识别的诊断准确性和效率.
- 为儿科风湿病学家提供一种新的工具,用于管理CNO.
主要方法:
- 利用Python,TensorFlow和循环神经网络来构建AI模型.
- 从83个CNO病例,9个生长疼痛病例,9个骨瘤,9个青少年异常性关节炎病例和30个健康对照的数字化医疗数据中训练了模型.
- 将数据集扩展到2800个案例,其中80%用于培训,20%用于测试,并在一个独立的30个案例集上进行了验证.
主要成果:
- 人工智能模型在初始训练后实现了0.028的低误差率.
- 该模型证明了正确识别CNO病例,生长疼痛 (GP) 和健康对照病例 (HC) 的能力.
- 人工智能模型的培训过程在62分钟内完成.
结论:
- 本试点研究介绍了第一个设计为CNO诊断工具的AI模型.
- 开发的AI模型在帮助儿童患者诊断CNO方面显示出有前途.
- 建议对更大,多中心,实时数据集进行进一步验证,以提高模型的适用性.
