.png)
Hruby, R., Kvak, D., Dandár, J., Atakhanova, A., Misar, M., & Dufek, D. (2024). Cross-Center Validation of Deep Learning Model for Musculoskeletal Fracture Detection in Radiographic Imaging: A Feasibility Study. medRxiv, 2024-01.
Abstrakt:
Zlomeniny, které jsou často důsledkem úrazu, nadměrného zatížení nebo osteoporózy, představují diagnostický problém vzhledem ke svým proměnlivým klinickým projevům. K řešení tohoto problému navrhujeme systém podpory rozhodování založený na hlubokém učení, který má zvýšit účinnost detekce fraktur při radiografickém zobrazování. Pro účely naší studie jsme využili 720 anotovaných rentgenových snímků muskuloskeletálního aparátu (MSK) ze souboru dat MURA, rozšířených o anotaci na úrovni ohraničujících boxů, pro trénink modelu YOLO (You Only Look Once). Výkonnost modelu byla následně testována na dvou souborech dat, vzorkovaném souboru dat FracAtlas (soubor dat 1, 840 snímků, nNORMAL = 696, nFRACTURE = 144) a vlastním interním souboru dat (soubor dat 2, 124 snímků, nNORMAL = 50, nFRACTURE = 74), zahrnujícím různorodou škálu rentgenových snímků MSK. Výsledky ukázaly senzitivitu (Se) 0,910 (95% CI: 0,852-0,946) a specificitu (Sp) 0,557 (95% CI: 0,520-0,594) u datového souboru 1 a Se 0,622 (95% CI: 0,508-0,724) a Sp 0,740 (95% CI: 0,604-0,841) u datového souboru 2. Tato studie podtrhuje slibnou úlohu umělé inteligence v lékařském zobrazování a poskytuje solidní základ pro budoucí výzkum a pokrok v oblasti radiografické diagnostiky.
