在多中心研究中,深度学习用于儿科大腿部部骨折检测

科学领域:

• 医疗成像医学成像
• 人工智能的人工智能
• 儿科整形外科 儿科整形外科

背景情况:

• 儿科腿部部骨折 (FNFs) 是罕见的,但如果错过,可能导致严重的并发症.
• 准确和及时诊断儿童的FNF对于最佳结果至关重要.
• 当前的诊断方法可能面临挑战,需要先进的工具.

研究的目的:

• 开发和验证一个深度学习模型,用于自动检测和定位儿科FNFs.
• 评估模型在儿科部放射图的多中心数据集上的表现.
• 评估人工智能协助对骨科外科医生的诊断性能的影响.

主要方法:

• 一个深度学习模型 (YOLOv11s) 在8个机构的2,116名儿科患者的2,594张部X射线图上受过训练.
• 该模型的诊断准确性是使用内部和外部测试集的平均平均精度 (mAP@0.5) 和曲线下的面积 (AUC) 来评估的.
• 进行了一项读者研究,以比较人工智能辅助和无人工智能辅助的诊断性能.

主要成果:

• YOLOv11s模型实现了高性能,在内部测试组中,mAP@0.5为90.6%,AUC为0.921.
• 在外部测试组中,该模型表现出色,mAP@0.5为96.8%,AUC为0.968.
• 人工智能辅助显著提高了骨科外科医生的诊断准确性,特别是那些经验较少的外科医生.

结论:

• 开发的深度学习模型显示了儿童FNFs准确和自动检测的巨大潜力.
• 这种人工智能工具可以在紧急情况下提供有价值的帮助,改善诊断决策.
• 该研究强调了多中心人工智能协作在儿科骨科诊断中的可行性和好处.