相关实验视频
Updated: Jun 29, 2026
04:17
DNA Virus Detection System Based on RPA-CRISPR/Cas12a-SPM and Deep Learning
Published on: May 10, 2024
智能注意力驱动的深度学习用于部疾病诊断:融合多式成像和临床文本,提高精度和早期检测
Jinming Zhang1,2, He Gong1,2, Pengling Ren1,2
1Medical Engineering & Engineering Medicine Innovation Center, Hangzhou International Innovation Institute, Beihang University, Hangzhou 311115, China.
Medicina (Kaunas, Lithuania)
|February 27, 2026
概括
综合临床数据,X射线和CT扫描的多模式深度学习显著提高了关节疾病的早期检测和分类,如骨关节炎和股骨头骨硬化 (ONFH). 这种方法可以提高诊断准确度.
科学领域:
- 整形外科成像分析分析
- 医学中的人工智能.
- 深度学习用于医学诊断.
背景情况:
- 关节疾病具有重叠的放射性特征,具有挑战性的单模成像和早期诊断.
- 孤立的成像或临床数据可能无法完全捕捉疾病特有的病理特征.
研究的目的:
- 开发和评估一个多式联络深度学习框架,以改善关节疾病的诊断.
- 评估整合放射图,CT卷和临床文本的诊断性能.
主要方法:
- 从A中心对605个关节进行了回顾性研究 (正常,骨关节炎,股骨头骨 (ONFH),股骨 (FAI)) 的关节,从B中心对24个部进行了外部验证.
- 使用ResNet50,3D-ResNet50和BERT进行特征提取的深度学习框架的开发.
- 基于注意力的多式联络特征的融合,用于四类分类.
主要成果:
- 综合临床+X射线+CT模型的AUC达到0.949,超过单一模式模型的AUC.
- 观察到准确度,灵敏度和特异性的持续改善.
- 格拉德-CAM可视化证实了该模型的重点是临床相关的解剖区域.
结论:
- 基于注意力的多模式特征融合显著提高了关节疾病的诊断性能.
- 开发的框架是可解释和临床适用于早期检测和精确的分类在骨科成像.
