一个高效的基于网络的深度学习系统的开发和初步评估,用于对部疾病的超声波评估:一个单一中心研究
Wei Ding Wang1, Siew-Ying Mok1, Yang Mooi Lim2
1Department of Mechatronics and Biomedical Engineering, Lee Kong Chian Faculty of Engineering and Science, Universiti Tunku Abdul Rahman, Bandar Sungai Long, Kajang 43000, Selangor, Malaysia.
Diagnostics (Basel, Switzerland)
|March 14, 2026
概括
这项研究开发了一种机器学习模型,使用超声波图像准确诊断部疾病,在评估下部区域和带异常方面表现出很高的性能. 这种人工智能驱动的方法为部疼痛评估提供了高效和一致的临床决策支持.
科学领域:
- 医学成像和诊断 医学成像和诊断
- 医疗保健中的人工智能
- 肌肉骨系统疾病评估评估
背景情况:
- 部疾病显著影响生活质量,传统诊断依赖于可变的临床医生专业知识.
- 目前用于部疾病的诊断方法,包括超声波,有局限性,特别是在评估带异常时.
- 通过超声波诊断部疾病的机器学习应用尚未得到充分探索.
研究的目的:
- 开发和评估一种机器学习模型,用于使用超声波图像诊断部疾病.
- 为了应对部疾病的有限标记超声波数据的挑战.
- 为部疾病提供准确有效的诊断支持.
主要方法:
- 利用184名患者的超声波图像来训练机器学习算法.
- 使用EfficientNet与转移学习来克服数据稀缺性并增强模型通用性.
- 实现了5倍交叉验证与类权重和AdamW优化器,用于强大的模型训练.
主要成果:
- 机器学习模型在分类部疾病方面取得了高性能.
- 最高的加权平均F1分数为76%和81%,记录在深部带模糊纹理和深部带/肌粘附在下部区域.
- 宏观平均值显示了对类的一致准确性,分别为74%和78%.
结论:
- 开发的模型显示了强大的分类性能来评估部疾病,特别是在下部区域.
- 这种基于人工智能的方法有可能通过一致和准确的诊断援助来增强临床决策.
- 建议在不同的临床环境中进行进一步验证,以提高现实世界的适用性.
