机器学习和计算机视觉用于检测和分类下肢截肢患者的疼痛
Arya S Rao1, Floris V Raasveld2, Omar Moussa3
1Division of Plastic and Reconstructive Surgery, Department of Surgery, Massachusetts General Hospital, Harvard Medical School, Boston, MA, United States; Harvard Medical School, Boston, MA, United States.
机器学习准确地分类了下肢截肢者接受向肌肉再生 (TMR) 的神经病痛草图. 这种自动化方法有助于客观的手术前规划和手术决策.
科学领域:
- 神经学 神经学
- 医疗成像医学成像
- 人工智能的人工智能
背景情况:
- 截肢者的神经病痛草图可视化疼痛模式,并可以预测手术结果.
- 这些草图的手动解释是主观的,容易产生偏见.
- 机器学习 (ML) 为客观,自动化分类提供了一条道路.
研究的目的:
- 开发和评估一种ML方法,用于疼痛草图的自动分类.
- 为了分析下肢截肢患者的疼痛草图,这些人接受了向肌肉再生 (TMR).
主要方法:
- 分析了来自206名下肢截肢者的588张疼痛草图.
- 卷积神经网络 (CNN) 被训练用于对疼痛类别的二元分类 (焦点,辐射,扩散,无疼痛).
- 无监督的等级聚类发现了新的疼痛分布模式.
主要成果:
- ML模型展示了有效的分类,最高的性能区分无痛与扩散疼痛 (AUROC:0.799).
- 其他模型的AUROC值在0.587到0.760.0之间.
- 层次分类揭示了基于位置和程度的不同疼痛模式,提供了更深入的见解.
结论:
- 机器学习可以自动化截肢患者的疼痛草图分类,增强术前规划的临床实用性.
- 这种自动化方法有可能使解释标准化,并改善TMR的手术决策.
- 对疼痛草图的客观分类可以带来更好的外科手术结果.
更多相关视频
06:22Machine Learning-Based Cough Tone Classification: Diagnostic Exploration of Chronic Obstructive Pulmonary Disease and Respiratory Tract Infections
Published on: September 19, 2025
07:15Machine Learning Algorithms for Early Detection of Bone Metastases in an Experimental Rat Model
Published on: August 16, 2020
相关概念视频
Vision
Color Vision
Machines
A free-body diagram of the...
Absolute and Local Extreme Values
Machines: Problem Solving II
Periodic Classification of the Elements
