通过高效的基于网络的人工智能模型实现自动化骨突诊断:两类和多类方法
Varekan Keishing1,2, Edward S Ahn3, Zenith Khashim4
1Mayo Clinic Artificial Intelligence Lab, Department of Radiology, Mayo Clinic, 200, 1st Street, S.W., Rochester, MN, 55905, USA.
Journal of imaging informatics in medicine
|January 13, 2026
概括
人工智能 (AI) 模型现在可以使用标准的二维头部照片来检测出生缺陷 - - 头骨突触. 这种非侵入性AI方法提供了准确的早期诊断,改善了婴儿的手术结果和可访问性.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 儿科手术 儿科手术
背景情况:
- 婴儿头骨骨的过早融合,可导致形并阻碍大脑生长.
- 目前的诊断通常依赖于计算机断层扫描 (CT),涉及辐射暴露和潜在的延迟.
- 早期检测对于少入侵的外科干预和改善患者结果至关重要.
研究的目的:
- 通过使用标准的2D临床照片来评估最先进的人工智能架构用于检测部突症的有效性.
- 为了比较EfficientNet-B7,ResNet-50和ResNet-152模型在二进制和多种类型的骨突症分类中的性能.
- 建立一个非侵入性,无辐射的诊断工具,用于骨突.
主要方法:
- 在688张临床二维照片上训练并测试了EfficientNet-B7,ResNet-50和ResNet-152模型.
- 利用了五个随机种子来对二进制和多类分类任务进行可靠的评估.
- 专注于标准照片,避免像X射线,CT或光谱等专业成像.
主要成果:
- 所有模型在二进制分类中都取得了高精度,EfficientNet-B7达到99.7%的精度和完美的灵敏度.
- 在多类分类方面,EfficientNet-B7表现优异 (96.6%准确率),表现优于ResNet-50.
- 人工智能模型只使用标准的2D图像成功地分类了突症亚型.
结论:
- 在2D照片上训练的人工智能模型提供了准确,经济高效,非侵入性的骨突检测和分类.
- 这种方法支持及时干预,有可能扩大在各种医疗保健机构获得护理的机会.
- 这项研究开创了使用随时可用的临床照片的高精度骨突症分类.
