Wu Enda ekibinin en son başarısı: Anormal diz MRG'yi teşhis etmek için MRNet'i kullanmak
Lei Feng Net Not: Bu makale Stanford ML Group'tan çevrilmiştir ve yazar Nicholas Bien, Pranav Rajpurkar, Robyn L. Ball, Matthew P. Lungren ve Andrew Y. Ng. Makale esas olarak, derin öğrenme modeli MRNet'in diz MRG'sinin anormal tespitinde uygulanmasını tanıtmaktadır.Çalışma, bu modelin, sağlıklı hastaların bir ön çapraz bağ yırtığı olarak yanlış teşhis edilme olasılığını önemli ölçüde azalttığını bulmuştur. Orijinal bağlantı: stanfordmlgroup.github.io/projects/mrnet/.
Diz eklemi hastalıkları tanısında diz manyetik rezonans (MR) görüntüleme evrensel standart bir yöntemdir.Ayrıca vücudun herhangi bir yerine göre diz eklemi kas-iskelet sistemi MR incelemesinin sıklığı daha fazladır ve tetkik sonuçlarının da daha kesin olması gerekmektedir.
"PLOS" da yeni bir çalışma yayınladık; bu, diz MR görüntülemesindeki global anormallikleri tespit etmek ve doğru tanı (ön çapraz bağ (ACL) yırtığı ve menisküs) için bir derin öğrenme modeli geliştirdi. Gözyaşı), model tahminlerini klinisyenlere sağlamanın klinik değerini de değerlendirdik.
Bu diz MRG'yi düşünün İşte üç seri (üst sıra) - bir anormallik fark edebilir misiniz? Derin öğrenme algoritması, ACL yırtıklarını (sagital dizide en açık şekilde görülen) belirleyebilir ve anomaliyi bulmak için ısı haritasını kullanabilir (alt sıra). Anomalinin kanıtı ne kadar fazlaysa, ısı haritasının renk yoğunluğu o kadar büyük olur.
Tahmin sisteminin ana bileşeni MRNet'tir: 3D MRI dizilerini olasılıklarla eşleştirebilen bir evrişimli sinir ağıdır (CNN).
MRNet'in giriş boyutu, s × 3 × 256 × 256'dır, burada s, MRI dizisindeki görüntü sayısı ve 3, renk kanalı sayısıdır. İlk olarak, her iki boyutlu MRI görüntü dilimi, her dilimin özelliklerini içeren bir s × 256 × 7 × 7 tensörü elde etmek için bir özellik çıkarıcıdan geçer. Ardından bu özellikleri s × 256'ya düşürmek için havuzlamayı kullanın. Daha sonra, dilimleme yoluyla 256 boyutlu bir vektör elde etmek için maksimum havuzlamayı kullanırız.Son olarak, vektör, tam bağlantılı katmana geçirilir ve tahmin edilen olasılık elde edilir.
MRNet, sagital T2, koronal T1 ve eksenel PD dizileri için tahminler üreteceğinden, 3 set tahmini ağırlıklandırmak ve her algılama için bir çıktı oluşturmak üzere Lojistik regresyonu eğitiyoruz.
Ardından, genel radyologların ve cerrahların performansını modellerin yardımı olsun veya olmasın ölçtük.
Stanford Üniversitesi Tıp Merkezi'nden 7 lisanslı kayıtlı radyolog ve 2 lisanslı ortopedi cerrahı seçtik (3-29 yıllık deneyim, ortalama 12 yıl).
Tüm deney ikiye bölündü ve her deneyde 9 doktorun 120 resmi gözlemlemesi ve resimler üzerinde bir teşhis koyması gerekiyordu. Aradaki fark, bir kez model yardımı olduğunda, bir kez olmadığında, her deneyden sonraki aralığın en az 10 gün olmasıdır. Model yardımlı okumalar için model, her biri tahmini pozitif tanı olasılığını temsil eden 3 etiket olacağını öngörür.Örneğin, yırtık bir ön çapraz bağ olasılığı% 98 ve yırtık bir menisküs olasılığı% 70'dir. % 99'u anormal diz eklemleridir.
Model yardımının, sağlıklı hastaların ön çapraz bağ yırtığı olarak yanlış teşhis edilme olasılığını önemli ölçüde azalttığını bulduk.
Model yardımı, ACL özgüllüğünde 0,048'lik (% 4,8) ortalama bir artışla sonuçlandı: her 100 sağlıklı hasta için, yaklaşık 5'i gereksiz ameliyattan kurtuldu.
Model yardımı aynı zamanda klinik uzmanların ön çapraz bağ yırtığı ve menisküs yırtığını saptamadaki doğruluğunu önemli ölçüde artırmış olsa da, deneysel sonuçlar, yanlış keşif oranını kontrol ederek çoklu karşılaştırma ve ayarlamalardan sonra artık anlamlı değildir.
Anormal tespiti, ön çapraz anormal yırtık tespiti ve menisküs yırtığı tespiti açısından, modelin AUC'si 0.937 (% 95 CI 0.895, 0.980), 0.965 (% 95 CI 0.938, 0.994) ve 0.847 (% 95 CI 0.780, 0.914).
Bu modelin, dahili doğrulama setinde anormal ön çapraz yırtıkların tespit edilmesinde oldukça spesifik olduğunu belirtmek gerekir ki bu, klinik iş akışında böyle bir model kullanılırsa, anormal ön çapraz yırtıkları bulmanın etkili olabileceğini gösterir.
Ayrıca modelin performansını genel radyologlarla (yardımsız) karşılaştırdık: anormalliklerin saptanmasında model ve radyologlar arasında önemli bir fark yoktu ve genel radyologlar daha iyiydi Modelin duyarlılığı daha yüksektir ve modelin menisküs yırtığı tespitinde daha yüksek özgüllüğü vardır.
Ek olarak, MRNet'i farklı kurumlardan gelen veri setleri üzerinde doğruladık ve modelin ACL'leri tanıma konusunda yüksek bir yeteneğe sahip olduğunu gördük.
Hırvatistan'daki Rijeka Clinical Hospital Center'dan tümü sagital T1 ağırlıklı sekanslar ve ACL yaralanma etiketleri olan 917 incelemeden oluşan halka açık bir veri seti elde ettik. 183 vakalık harici doğrulama setinde, Stanford sagital T2 ağırlıklı sekans üzerinde eğitilen MRNet, ek eğitim olmaksızın ACL hasar tespitinde 0,824'lük bir AUC (% 95 CI 0,757, 0,892) elde etti; Harici veri setinin geri kalanı üzerinde eğitilen MRNet, 0,911'lik bir AUC elde etti (% 95 CI 0,864, 0,958).
Son olarak, benzer düşünen insanların birlikte çalışmaya gelmesinden ve yapay zeka tıbbi görüntüleme teknolojisini daha fazla doğrulamasından çok mutluyuz.
Anormalliklerin otomatik tahmini ve konumu, uzman radyologların açıklamasını beklemek yerine, genel radyologların ve hatta radyoloji uzmanı olmayan klinisyenlerin (ortopedi cerrahları gibi) hastalara tıbbi görüntülemeyi açıklamalarına yardımcı olabilir. Bu, yorumlama verimliliğini artırmaya ve hataları azaltmaya yardımcı olur. Ve özellikle uzman radyologların kaynaklarının az olduğu durumlarda tanı kalitesinin standartlaştırılmasına yardımcı olur.
Klinik bir ortamda bu modelin ve diğer derin öğrenme modellerinin optimum kombinasyonunu değerlendirmek için daha fazla araştırmaya ihtiyacımız var ve ayrıca tıbbi görüntülemede otomatik yapay zeka modellerini araştırmak ve doğrulamak için tıbbi sağlık hizmeti sağlayıcılarıyla işbirliği yapmayı umuyoruz. Lei Feng Ağı Lei Feng Ağı Lei Feng Ağı
