Co studie hodnotila
Studie hodnotila proveditelnost a zobecnitelnost modelu hlubokého učení založeného na YOLO pro detekci muskuloskeletálních zlomenin napříč datovými sadami z různých zdrojů. Model byl trénován na anotovaných MSK rentgenech a ověřen na dvou nezávislých datových sadách: externí veřejné datové sadě (FracAtlas) a interní reálné datové sadě, hodnotící konzistenci výkonu napříč centry.
Výsledky studie v klinické praxi
Model dosáhl vysoké citlivosti na externí datové sadě, což naznačuje silnou schopnost detekovat zlomeniny a snížit přehlédnutí nálezů. Výkon se lišil mezi datovými sadami, s nižší citlivostí ale vyšší specificitou na interní datové sadě, což zdůrazňuje dopad heterogenity dat a variability v reálném světě. V klinické praxi to podporuje AI jako nástroj pro vyloučení a podporu bezpečnosti, účinný pro vylučování zlomenin, zatímco pozitivní nálezy vyžadují potvrzení radiodiagnostikem.
Klíčová čísla
Tréninková data: 720 anotovaných MSK rentgenů
Ověřovací datové sady:
Datová sada 1 (externí): 840 obrázků
Datová sada 2 (interní): 124 obrázků
Citlivost:
Datová sada 1: 91.0%
Datová sada 2: 62.2%
Specifita:
Datová sada 1: 55.7%
Datová sada 2: 74.0%
Negativní prediktivní hodnota (NPV):
Datová sada 1: 96.8%
Datová sada 2: 56.9%
Fraktury, často vznikající v důsledku poranění, nadměrného používání nebo osteoporózy, představují diagnostické výzvy kvůli jejich variabilním klinickým projevům. K tomu, abychom se s tímto problémem vyrovnali, navrhujeme systém podpory rozhodování založený na hlubokém učení, který má za cíl zvýšit účinnost detekce fraktur v radiografickém zobrazování. Pro účely naší studie jsme využili 720 anotovaných muskuloskeletálních (MSK) rentgenových snímků z MURA datasetu, obohacených o anotace na úrovni ohraničujících boxů, k trénování modelu YOLO (You Only Look Once). Výkon modelu byl následně testován na dvou datasetech, vzorkovaném FracAtlas datasetu (Dataset 1, 840 obrazů, nNORMAL = 696, nFRACTURE = 144) a našem interním datasetu (Dataset 2, 124 obrazů, nNORMAL = 50, nFRACTURE = 74), zahrnujících rozmanitou škálu MSK rentgenů. Výsledky ukázaly senzitivitu (Se) 0.910 (95% CI: 0.852–0.946) a specifitu (Sp) 0.557 (95% CI: 0.520–0.594) na Datasetu 1, a Se 0.622 (95% CI: 0.508–0.724) a Sp 0.740 (95% CI: 0.604–0.841) na Datasetu 2. Tato studie vyzdvihuje slibnou roli AI v lékařském zobrazování a poskytuje solidní základ pro budoucí výzkum a pokroky v oblasti radiografické diagnostiky.
