目的构建一种能够快速、准确测量髋臼指数的人工智能深度学习系统,并评估其在临床应用中的准确性。方法回顾性收集安徽医科大学附属省儿童医院2014年4月至2018年12月共10219张标准骨盆平片,从中随机选取9219张,用于训练和验证深度学习系...目的构建一种能够快速、准确测量髋臼指数的人工智能深度学习系统,并评估其在临床应用中的准确性。方法回顾性收集安徽医科大学附属省儿童医院2014年4月至2018年12月共10219张标准骨盆平片,从中随机选取9219张,用于训练和验证深度学习系统,剩余的1000张骨盆平片用于测试。所有骨盆平片由13位临床医生组成的专家委员会通过图像存档及通信系统用统一的标准进行标注测量髋臼指数。随后,从测试集中随机抽取200张由另外8位医生独立测量。使用Bland-Altman检验对系统与临床医生测量结果进行一致性分析。结果测试集共1000例(2000髋),与专家委员会测量相比,深度学习系统测量根据Bland-Altman方法确定的95%一致性界限(95%limits of agreement,95%LOA)为-4.02°~3.45°(bias=-0.27°,P<0.05)。在深度学习系统与8位临床医生测量评估中,与专家委员会测量相比,测量误差最小医生95%LOA为-2.76°~2.56°(bias=-0.10°,P=0.126);深度学习系统95%LOA为-2.93°~2.86°(bias=-0.03°,P=0.647);测量误差最大医生95%LOA为-3.41°~4.25°(bias=0.42°,P<0.05)。和8位医生相比,深度学习系统测量误差仅大于一名高年资医生。结论深度学习系统能够快速且准确的测量标准骨盆平片的髋臼指数,其测量髋臼指数数据与临床医生测量数据一致性好,且更接近高年资医生测量水平。展开更多
目的构建一种发育性髋关节发育不良(developmental dysplasia of the hip,DDH)超声图像的人工智能(artificial intelligence,AI)辅助诊断的深度学习系统并验证。方法回顾性收集2019年1月至2021年1月的2000段儿童髋关节超声影像片段,并...目的构建一种发育性髋关节发育不良(developmental dysplasia of the hip,DDH)超声图像的人工智能(artificial intelligence,AI)辅助诊断的深度学习系统并验证。方法回顾性收集2019年1月至2021年1月的2000段儿童髋关节超声影像片段,并选取影像片段中标准截面2000张,所有标准截面均由标注小组通过使用基于Python 3.6环境的自编软件使用图片跨媒体数据标注与人工审核标准化流程用统一的标准进行处理。随机选取其中1753张用于训练深度学习系统,余247张用于测试系统。再从测试集中随机选取200张标准截面,并由8位临床医生独立完成读片标注,将8份独立结果与AI结果进行比较。结果测试集共247例,与临床医生测量相比,判读髋关节是否成熟的诊断受试者工作特征曲线(receiver operating characteristic curve,ROC)下的面积(area under the ROC,AUC)为0.865,灵敏度为76.19%,特异性为96.90%。Graf详细分型下的深度学习系统判读的AUC为0.575,灵敏度为25.90%,特异性为89.10%。根据Bland-Altman方法确定的α角[95%LoA(-4.7051°,6.5948°),Bias-0.94,P<0.001]和β角[95%LoA(-7.7191,6.8777),Bias-0.42,P=0.077],与8位临床医生相比AI系统判读结果均更为稳定,且β角效果更为突出。结论新型人工智能系统可快速且准确的测量标准髋关节超声平面的Graf法相关指数。展开更多
文摘目的构建一种能够快速、准确测量髋臼指数的人工智能深度学习系统,并评估其在临床应用中的准确性。方法回顾性收集安徽医科大学附属省儿童医院2014年4月至2018年12月共10219张标准骨盆平片,从中随机选取9219张,用于训练和验证深度学习系统,剩余的1000张骨盆平片用于测试。所有骨盆平片由13位临床医生组成的专家委员会通过图像存档及通信系统用统一的标准进行标注测量髋臼指数。随后,从测试集中随机抽取200张由另外8位医生独立测量。使用Bland-Altman检验对系统与临床医生测量结果进行一致性分析。结果测试集共1000例(2000髋),与专家委员会测量相比,深度学习系统测量根据Bland-Altman方法确定的95%一致性界限(95%limits of agreement,95%LOA)为-4.02°~3.45°(bias=-0.27°,P<0.05)。在深度学习系统与8位临床医生测量评估中,与专家委员会测量相比,测量误差最小医生95%LOA为-2.76°~2.56°(bias=-0.10°,P=0.126);深度学习系统95%LOA为-2.93°~2.86°(bias=-0.03°,P=0.647);测量误差最大医生95%LOA为-3.41°~4.25°(bias=0.42°,P<0.05)。和8位医生相比,深度学习系统测量误差仅大于一名高年资医生。结论深度学习系统能够快速且准确的测量标准骨盆平片的髋臼指数,其测量髋臼指数数据与临床医生测量数据一致性好,且更接近高年资医生测量水平。
文摘目的构建一种发育性髋关节发育不良(developmental dysplasia of the hip,DDH)超声图像的人工智能(artificial intelligence,AI)辅助诊断的深度学习系统并验证。方法回顾性收集2019年1月至2021年1月的2000段儿童髋关节超声影像片段,并选取影像片段中标准截面2000张,所有标准截面均由标注小组通过使用基于Python 3.6环境的自编软件使用图片跨媒体数据标注与人工审核标准化流程用统一的标准进行处理。随机选取其中1753张用于训练深度学习系统,余247张用于测试系统。再从测试集中随机选取200张标准截面,并由8位临床医生独立完成读片标注,将8份独立结果与AI结果进行比较。结果测试集共247例,与临床医生测量相比,判读髋关节是否成熟的诊断受试者工作特征曲线(receiver operating characteristic curve,ROC)下的面积(area under the ROC,AUC)为0.865,灵敏度为76.19%,特异性为96.90%。Graf详细分型下的深度学习系统判读的AUC为0.575,灵敏度为25.90%,特异性为89.10%。根据Bland-Altman方法确定的α角[95%LoA(-4.7051°,6.5948°),Bias-0.94,P<0.001]和β角[95%LoA(-7.7191,6.8777),Bias-0.42,P=0.077],与8位临床医生相比AI系统判读结果均更为稳定,且β角效果更为突出。结论新型人工智能系统可快速且准确的测量标准髋关节超声平面的Graf法相关指数。
