根據(jù)《放射學(xué)：人工智能》上發(fā)表的新研究，一種深度學(xué)習(xí)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行分類，準確率達88%。
醫(yī)學(xué)博士Jesse C. Rayan領(lǐng)導(dǎo)寫道：“在沒有訓(xùn)練有素的現(xiàn)場放射科醫(yī)生的大批量急診科或急診中心，急需對患者進行快速正確的分流，以進行骨科評估或出院。”馬薩諸塞州總醫(yī)院的同事們。“對肘部畸形的二項鑒定有可能簡化在缺乏立即聯(lián)系受過訓(xùn)練的兒科放射科醫(yī)生的情況下的即時醫(yī)療分類。”
Rayan及其同事試圖確定使用多視圖方法進行深度學(xué)習(xí)以解決X線片上小兒肘部異常的可行性，這與放射科醫(yī)生在其工作站上查看多個圖像的方式類似。
“據(jù)我們所知，迄今為止，尚無研究在小兒肘部檢查中使用[卷積神經(jīng)網(wǎng)絡(luò)](CNN)應(yīng)用，并測試了將異常與正常生長中心區(qū)分開的能力，” Rayan及其同事寫道。
Rayan等。研究人員在2014年1月至2017年12月的四年中共進行了21,456項放射學(xué)研究，其中包含超過58,000張肘部圖像。
將研究按二項式分類為急性或亞急性創(chuàng)傷異常為陽性或陰性，然后將其隨機分為包含20,350個研究的訓(xùn)練集和包含1,106個研究的驗證集。研究人員結(jié)合了卷積神經(jīng)網(wǎng)絡(luò)和遞歸神經(jīng)網(wǎng)絡(luò)，共同解釋了三個射線照片的整個系列。
研究人員寫道：“通過深度學(xué)習(xí)，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)育的開放性與真正的異常有所區(qū)別。”
研究人員發(fā)現(xiàn)，他們的深度學(xué)習(xí)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(cè)lateral突骨折88例。
77例中有15例沒有骨折的肘腔積液。
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對創(chuàng)傷中小兒肘部X線檢查的急性和非急性發(fā)現(xiàn)進行分類。此外，他們的方法是獨特的，因為他們應(yīng)用了遞歸神經(jīng)網(wǎng)絡(luò)對整個射線照相系列進行分類，而不是對單個射線照相圖像進行分類。
該模型可以根據(jù)所有視圖得出決策，類似于人類放射科醫(yī)生，并且將通過進一步的修改不斷完善。
