Интеллектуальное обнаружение и классификация свежих переломов ребер на основе глубокого обучения
Введение
Точное выявление и классификация свежих переломов ребер играют ключевую роль в ведении пациентов, однако остаются сложной задачей из-за особенностей анатомии ребер на КТ-изображениях.
Цель
Разработка и оценка эффективности модели глубокого обучения для автоматического обнаружения и классификации свежих переломов ребер на КТ грудной клетки.
Методы
Ретроспективно проанализированы КТ-изображения грудной клетки 383 пациентов с переломами ребер. Набор данных разделен на обучающую (n=306) и внутреннюю тестовую (n=77) выборки. Дополнительно использована внешняя тестовая выборка из 50 пациентов из публичного набора данных RibFrac. Переломы классифицированы на тяжелые и нетяжелые. Разработана модифицированная YOLO-модель глубокого обучения для обнаружения и классификации. Производительность модели сравнивалась с результатами торакальных хирургов с использованием метрик precision, recall, mAP50 и F1 score.
Результаты
Модель глубокого обучения продемонстрировала высокую эффективность в диагностике свежих переломов ребер. Для всех типов переломов во внутренней тестовой выборке значения precision, recall, mAP50 и F1 score составили 0.963, 0.934, 0.972 и 0.948 соответственно. Модель превзошла торакальных хирургов с разным уровнем опыта (все p<0.01).
Выводы
Предложенная модель глубокого обучения способна автоматически выявлять и классифицировать свежие переломы ребер с точностью, сопоставимой с врачами. Эта модель помогает повысить точность диагностики, снизить нагрузку на врачей, сэкономить медицинские ресурсы и улучшить медицинскую помощь в регионах с ограниченными ресурсами.
Термины и сокращения
- КТ - компьютерная томография
- YOLO (You Only Look Once) - архитектура нейронной сети для обнаружения объектов
- mAP50 (mean Average Precision at 50% IoU) - средняя точность при пороге пересечения 50%
- F1 score - гармоническое среднее между precision и recall
- RibFrac - публичный набор данных изображений переломов ребер