Nội dung được dịch bởi AI, chỉ mang tính chất tham khảo
Phát hiện gãy xương hông vùng liên mấu chuyển với độ chính xác tương đương bác sĩ chỉnh hình bằng cách sử dụng mạng nơ-ron tích chập sâu
Tóm tắt
Để so sánh hiệu suất trong việc chẩn đoán gãy xương hông liên mấu chuyển từ các hình ảnh chụp X-quang xương đùi gần với mạng nơ-ron tích chập và các bác sĩ chỉnh hình. Tổng cộng, 1773 bệnh nhân đã được tham gia vào nghiên cứu này. Các hình ảnh X-quang hông từ những bệnh nhân này đã được cắt để chỉ hiển thị các xương đùi gần bị gãy và không bị gãy. Các hình ảnh hiển thị giả khớp sau gãy cổ xương đùi và những hình ảnh có vật thể nhân tạo đã bị loại trừ. Điều này dẫn đến tổng cộng 3346 hình ảnh hông (1773 hình ảnh gãy và 1573 hình ảnh không gãy) được sử dụng để so sánh hiệu suất giữa mạng nơ-ron tích chập và năm bác sĩ chỉnh hình. Mạng nơ-ron tích chập và các bác sĩ chỉnh hình có độ chính xác lần lượt là 95.5% (Khoảng tin cậy 95% = 93.1–97.6) và 92.2% (Khoảng tin cậy 95% = 89.2–94.9), độ nhạy là 93.9% (Khoảng tin cậy 95% = 90.1–97.1) và 88.3% (Khoảng tin cậy 95% = 83.3–92.8), và độ đặc hiệu là 97.4% (Khoảng tin cậy 95% = 94.5–99.4) và 96.8% (Khoảng tin cậy 95% = 95.1–98.4), tương ứng. Hiệu suất của mạng nơ-ron tích chập vượt trội hơn so với các bác sĩ chỉnh hình trong việc phát hiện gãy xương hông liên mấu chuyển từ các hình ảnh chụp X-quang xương đùi gần trong các điều kiện hạn chế. Mạng nơ-ron tích chập có tiềm năng đáng kể để trở thành một công cụ hữu ích trong việc sàng lọc gãy xương trên các hình ảnh X-quang đơn giản, đặc biệt là trong phòng cấp cứu, nơi mà các bác sĩ chỉnh hình không có sẵn.
Từ khóa
#gãy xương hông #mạng nơ-ron tích chập #chẩn đoán hình ảnh #bác sĩ chỉnh hình #độ chính xácTài liệu tham khảo
Jamaludin A, Kadir T, Zisserman A. SpineNet: automated classification and evidence visualization in spinal MRIs. Med Image Anal. 2017;41:63–73.
Jamaludin A, Lootus M, Kadir T, et al. Genodisc consortium. ISSLS prize in bioengineering science 2017: automation of reading of radiological features from magnetic resonance images (MRIs) of the lumbar spine without human intervention is comparable with an expert radiologist. Eur Spine J. 2017;26(5):1374–83.
Olczak J, Fahlberg N, Maki A, et al. Artificial intelligence for analyzing orthopedic trauma radiography. Acta Orthop. 2017;88(6):581–6.
Lee H, Tajmir S, Lee J, et al. Fully automated deep learning system for bone age assessment. J Digit Imaging. 2017;30(4):427–41.
Simonyan K, Zisserman A. Very deep convolutional networks for large-scale image recognition. arXiv [Internet]. 2014 [cited 2017 Dec 10] Available from: https://arxiv.org/abs/1409.1556
Kim DH, MacKinnon T. Artificial intelligence in fracture detection: transfer learning from deep convolutional neural networks. Clin Radiol. 2018;73(5):439–45.
Chung SW, Han SS, Lee JW, et al. Automated detection and classification of the proximal humerus fracture by using deep learning algorithm. Acta Orthop. 2018; https://doi.org/10.1080/17453674.2018.1453714.
Hagino H, Endo N, Harada A, et al. Survey of hip fractures in Japan: recent trends in prevalence and treatment. J Orthop Sci. 2017;22(5):909–14.
Pejic A, Hansson S, Rogmark C. Magnetic resonance imaging for verifying hip fracture diagnosis why, when and how? Injury. 2017;48(3):687–91.
Abadi M, Agarwal A, Barham P, et al. TensorFlow: large-scale machine learning on heterogeneous distributed systems. arXiv [Internet]. 2016 [cited 2017 Dec 10] Available from: https://arxiv.org/abs/1603.04467
No authors listed. TesnorFlow-Slim image classification model library. [Internet]. [cited 2017 Dec 10] Available from: https://github.com/tensorflow/models/tree/master/research/slim
Shin HC, Roth HR, Gao M, et al. Deep convolutional neural networks for computer-aided detection: CNN architectures, dataset characteristics and transfer learning. IEEE Trans Med Imaging. 2016;35(5):1285–98.
Geron A. Training deep neural network. In: Geron A, editor. Hands-on machine learning with scikit-learn & TensorFlow. Sebastopol: O’Reilly Media; 2017. p. 275–312.
No authors listed. tf.keras.preprocessing.image.ImageDataGenerator. [Internet]. [cited 2017 Dec 10] Available from: https://www.tensorflow.org/api_docs/python/tf/keras/preprocessing/image/ImageDataGenerator
Kingma DP, Ba J. Adam: a method for stochastic optimization. arXiv [Internet]. 2014 [cited 2017 Dec 10] Available from: https://arxiv.org/abs/1412.6980
Dinah AF. Sequential hip fractures in elderly patients. Injury. 2002;33(5):393–4.
Baumgaertner MR, Higgins TF. Femoral neck fractures. In: Bucholz BW, Heckman JD, editors. Rockwood and Green’s fractures in adults. 5th ed. Philadelphia: Lippincott Williams & Wilkins; 2001. p. 1579–634.