根據《放射學(xué)：人工智能》上發(fā)表的新研究，一種深度學(xué)習模型可在創(chuàng )傷的X光片上對急性和非急性小兒肘部異常進(jìn)行分類(lèi)，準確率達88%。
醫學(xué)博士Jesse C. Rayan領(lǐng)導寫(xiě)道：“在沒(méi)有訓練有素的現場(chǎng)放射科醫生的大批量急診科或急診中心，急需對患者進(jìn)行快速正確的分流，以進(jìn)行骨科評估或出院。”馬薩諸塞州總醫院的同事們。“對肘部畸形的二項鑒定有可能簡(jiǎn)化在缺乏立即聯(lián)系受過(guò)訓練的兒科放射科醫生的情況下的即時(shí)醫療分類(lèi)。”
Rayan及其同事試圖確定使用多視圖方法進(jìn)行深度學(xué)習以解決X線(xiàn)片上小兒肘部異常的可行性，這與放射科醫生在其工作站上查看多個(gè)圖像的方式類(lèi)似。
“據我們所知，迄今為止，尚無(wú)研究在小兒肘部檢查中使用[卷積神經(jīng)網(wǎng)絡(luò )](CNN)應用，并測試了將異常與正常生長(cháng)中心區分開(kāi)的能力，” Rayan及其同事寫(xiě)道。
Rayan等。研究人員在2014年1月至2017年12月的四年中共進(jìn)行了21,456項放射學(xué)研究，其中包含超過(guò)58,000張肘部圖像。
將研究按二項式分類(lèi)為急性或亞急性創(chuàng )傷異常為陽(yáng)性或陰性，然后將其隨機分為包含20,350個(gè)研究的訓練集和包含1,106個(gè)研究的驗證集。研究人員結合了卷積神經(jīng)網(wǎng)絡(luò )和遞歸神經(jīng)網(wǎng)絡(luò )，共同解釋了三個(gè)射線(xiàn)照片的整個(gè)系列。
研究人員寫(xiě)道：“通過(guò)深度學(xué)習，成功地識別出了骨骼發(fā)育不良的骨骼發(fā)育不全的未成熟患者的骨折，并且這些骨骼發(fā)育的開(kāi)放性與真正的異常有所區別。”
研究人員發(fā)現，他們的深度學(xué)習模型能夠以88%的準確度檢測異常，靈敏度為91%，特異性為84%。AI遺漏了以下異常情況：
241例中有1例con上骨折。
1例外側lateral突骨折88例。
77例中有15例沒(méi)有骨折的肘腔積液。
184例中有37例其他異常。
研究人員指出，他們的AI可以有效地按二項分類(lèi)對創(chuàng )傷中小兒肘部X線(xiàn)檢查的急性和非急性發(fā)現進(jìn)行分類(lèi)。此外，他們的方法是獨特的，因為他們應用了遞歸神經(jīng)網(wǎng)絡(luò )對整個(gè)射線(xiàn)照相系列進(jìn)行分類(lèi)，而不是對單個(gè)射線(xiàn)照相圖像進(jìn)行分類(lèi)。
該模型可以根據所有視圖得出決策，類(lèi)似于人類(lèi)放射科醫生，并且將通過(guò)進(jìn)一步的修改不斷完善。
