这是一篇开放获取的文章,根据创作共用署名许可(https://creativecommons.org/licenses/by/4.0/)的条款发布,允许在任何媒介上无限制地使用、分发和复制,前提是正确引用最初发表在《医学互联网研究杂志》上的原创作品。必须包括完整的书目信息,//www.mybigtv.com/上的原始出版物的链接,以及此版权和许可信息。
前交叉韧带(ACL)损伤在运动中很常见,是严重的膝关节损伤,需要及时诊断。磁共振成像(MRI)是检测前交叉韧带撕裂的一种强大的、非侵入性的工具,需要经过训练才能准确读取。对于前交叉韧带撕裂的诊断,具有不同阅读MR图像经验的临床医生需要不同的信息。人工智能图像处理在前交叉韧带撕裂的诊断中具有广阔的应用前景。
本研究试图使用AI(1)从完整的MR图像中诊断ACL撕裂,(2)从完整的MR图像中识别ACL撕裂的图像,并诊断ACL撕裂,(3)从所选的MR图像中区分完整的ACL和撕裂的ACL MR图像。
回顾性收集800例ACL撕裂(n=1205)和ACL完整(n=1018)患者的矢状面MR图像,以及200例20-40岁患者的完整膝关节MR图像(100例ACL撕裂和100例ACL完整)。一种使用卷积神经网络的人工智能方法被用于为目标建立模型。使用200个独立病例(100个撕裂ACL和100个完整ACL)的MR图像作为模型的测试集。从测试集中随机选择的40例病例的MR图像用于比较训练模型和具有不同经验水平的临床医生之间ACL撕裂的阅读准确性。
第一个模型从完整的MR图像中区分撕裂acl、完整acl和其他图像,准确率为0.9946,敏感性、特异性、精密度和f1评分分别为0.9344、0.9743、0.8659和0.8980。acl撕裂诊断的最终准确率为0.96。该模型显示出明显高于缺乏经验的临床医生的阅读准确性。第二个模型从完整的MR图像中识别ACL撕裂图像,诊断ACL撕裂的准确率为0.9943,敏感性、特异性、精密度和f1评分分别为0.9154、0.9660、0.8167和0.8632。第三个模型鉴别撕裂和完整acl图像的准确率为0.9691,敏感性、特异性、精密度和f1评分分别为0.9827、0.9519、0.9632和0.9728。
这项研究证明了使用人工智能方法为临床医生提供信息的可行性,这些临床医生需要不同的MRI信息来诊断前交叉韧带撕裂。
前交叉韧带(ACL)是膝关节的重要韧带,是一种常见的破坏性运动损伤,美国每年有超过20万人受到影响[
磁共振成像(MRI)是一种强大的、非侵入性的检测前交叉韧带撕裂的工具,如果由经验丰富的肌肉骨骼放射科医生解释,具有高灵敏度和特异性[
基于深度学习的图形识别是人工智能(AI)的重要组成部分。使用具有重复输入和输出数据的卷积神经网络(CNN),已建立的算法可以学习特征层并反复调整其神经网络,从而建模医学图像及其解释之间的复杂关系[
在这项研究中,我们的目标是使用人工智能(1)从完整的MR图像中诊断ACL撕裂(对于那些没有接受过阅读膝关节MRI训练但仍然想诊断它的人);(2)从诊断出ACL撕裂的完整MR图像中识别撕裂-ACL图像(用于从第一个模型获得ACL撕裂结果后需要进一步信息的人);(3)区分所选MR图像中撕裂ACL和完整ACL的图像(对于能够识别含有ACL的图像但对诊断没有足够信心的患者)。
本回顾性研究由台北退伍军人总医院机构评审委员会(2018-11-005CC)批准。
800例ACL撕裂(n=1205)和完整ACL (n=1018)的矢状面MR图像和200例完整膝关节MR图像(100例ACL撕裂和100例完整ACL;提取2013年1月至2017年12月期间接受膝关节MRI检查的患者撕裂和完整前交叉韧带图像,n=335,742),用于训练目的(训练集)。200例独立病例的完整MR图像(100例ACL撕裂,100例ACL完好;N =34,914)用于测试目的(测试集)。这些患者的平均年龄为28.1岁,66.4%(664/1000)为男性。患者人群与之前关于前交叉韧带撕裂发生率较高的组的报道相似[
膝关节MR图像排除了患有以下膝关节疾病的患者:膝关节周围肿瘤、既往膝关节手术、多发性韧带损伤、骨关节炎(Kellgren-Lawrence分级2至4级)和既往膝关节周围骨折。在我们医院或其他医院对膝关节进行MRI检查,然后上传到我们的系统进行第二意见。我们医院有6台不同的MRI扫描仪用于进行膝关节检查,我们没有限制获取图像的扫描仪。此外,我们没有在上传的图像中识别出扫描仪。本数据库中acl撕裂核磁共振76.8%(384/500)来自我院,23.2%(116/500)来自外院;完整acl mri 84.6%(423/500)来自本院,15.4%(77/500)来自外院。因此,本研究中使用的图像并不局限于一家医院或特定的MRI扫描仪。
2名骨科医生和1名肌肉骨骼放射科医生独立制定了acl撕裂或完整病例的判断,他们审查了MR图像并正式发布了报告。此外,前交叉韧带撕裂的病例也是通过关节镜检查确认的,所有前交叉韧带撕裂的患者都接受了关节镜下的前交叉韧带重建手术。3位医生对矢状撕裂前交叉韧带(
不同acl撕裂模式的MR图像。来自6位不同患者的矢状位质子密度图像显示其各自图像上ACL撕裂模式的差异:(A)近端第三撕裂;(二)中间物质撕裂;(C)远端第三撕裂;(D)慢性撕裂伴完全韧带吸收,如韧带消失;(E)韧带折叠撕裂,可能导致伸展困难;(F)伴有囊肿形成的撕裂。白色箭头:病变部位。ACL:前交叉韧带;磁共振:磁共振。
完整ACL的MR图像。显示3例不同患者的矢状位质子密度图像。所有图像均显示与髁间嵴平行的紧绷直带,完整前交叉韧带(白色箭头)的低信号强度模式。ACL:前交叉韧带;磁共振:磁共振。
第一个模型是为那些没有接受过阅读膝关节MR图像训练但想知道ACL是否撕裂的临床医生设计的。为此,我们首先训练了一个CNN模型,从完整的膝盖MR图像中区分撕裂的acl、完整的acl和其他图像。将800例撕裂和完整的前交叉韧带矢状面MR图像和200张完整的膝关节MR图像(撕裂和完整的前交叉韧带图像被提取)作为其他图像来训练和验证模型(
由于第一个模型没有提供识别acl撕裂图像的信息,因此开发了第二个模型来从第一个模型诊断为acl撕裂病例的完整MR图像中识别它们。因此,第二个模型是为在获得acl撕裂结果后需要高级撕裂acl图像信息的人员设计的。为此,我们使用训练集中100例acl撕裂病例中的acl撕裂图像和其他图像进行训练和验证(
第三种模型用于从所选MR图像中区分撕裂acl和完整acl图像。这个模型被更有经验的读者使用,他们能够识别包含acl的矢状图像,但需要帮助才能做出正确的诊断。为此,为了训练目的,包括撕裂和完整的前交叉韧带的矢状面MR图像(
用于训练、验证和测试模型的图像数量,以区分完整的acl、撕裂的acl和其他图像与完整的磁共振图像。
分类 | 训练与验证,n | 测试中,n |
Intact-ACL一个图片 | 1018 | 270 |
Torn-ACL图片 | 1205 | 346 |
其他图像 | 335742年b | 34298年c |
一个ACL:前交叉韧带。
b包括训练集(200例)中的矢状面、冠状面和轴向图像(提取撕裂和完整的前交叉韧带图像)。
c包括从测试集(200例)中提取矢状面、冠状面和轴向图像(撕裂和完整的前交叉韧带图像)。
用于训练、验证和测试模型以从acl撕裂案例中识别撕裂acl图像的图像数量。
分类 | 训练与验证,n | 测试中,n |
Torn-ACL一个图片 | 1205 | 346 |
其他图像 | 15969年b | 16800年c |
一个ACL:前交叉韧带。
b包括训练集中100例acl撕裂病例的矢状面、冠状面和轴向图像(提取acl撕裂图像)
c包括从测试集中100例acl撕裂病例中提取的矢状面、冠状面和轴向图像(撕裂的acl图像)。
用于训练、验证和测试以区分撕裂和完整acl图像的图像数。
分类 | 训练与验证,n | 测试中,n |
Intact-ACL一个图片 | 1018 | 270 |
Torn-ACL图片 | 1205 | 346 |
一个ACL:前交叉韧带。
所有图像都以256 × 256像素的便携式网络图形格式从成像系统下载,然后分组,如前所述,用于训练3个不同的CNN模型。人工智能方法使用MAIA自动深度学习软件进行医学影像分析(版本1.2.0;Muen Biomedical and Optoelectronic Technologies Inc),在之前的研究中使用[
用于模型训练的数据组织。
为了评估模型如何区分撕裂acl、完整acl和其他图像,使用200个独立的案例来测试模型。为了评估ACL撕裂诊断的准确性,被识别为包含完整ACL图像的病例被视为完整ACL病例,其余诊断为ACL撕裂(
AI诊断ACL撕裂流程图ACL:前交叉韧带;AI:人工智能;磁共振成像:磁共振成像。
使用AI方法识别撕裂acl图像的流程图。ACL:前交叉韧带;AI:人工智能。
利用AI方法区分完整acl和破损acl图像的流程图。ACL:前交叉韧带;AI:人工智能。
使用多个指标评估3个模型的有效性,包括准确性、敏感性、特异性、F1-score、受试者工作特征曲线和曲线下面积,使用Python计算。模型与不同学历医生的比较采用SPSS软件包(version 22;IBM公司)。统计显著性设为
该模型区分撕裂acl、完整acl和其他图像的准确率为0.9946。敏感性、特异性、精密度和f1评分分别为0.9344、0.9743、0.8659和0.9980 (
第一个模型的准确性和不同经验的骨科住院医生和医学生诊断前交叉韧带撕裂显示在
3个模型的验证和测试结果。
模型 | Torn-ACL一个、完整acl等图像的鉴别 | acl撕裂图像识别 | acl撕裂或完整图像分化 | ||||
|
验证 | 测试 | 验证 | 测试 | 验证 | 测试 | |
精度 | 0.9947 | 0.9946 | 0.9959 | 0.9943 | 1.0000 | 0.9691 | |
灵敏度 | 0.9702 | 0.9344 | 0.9834 | 0.9154 | 1.0000 | 0.9827 | |
特异性 | 0.9884 | 0.9743 | 0.9969 | 0.9660 | 1.0000 | 0.9519 | |
精度 | 0.9647 | 0.8659 | 0.9595 | 0.8167 | 1.0000 | 0.9632 | |
F1-score | 0.9674 | 0.8980 | 0.9713 | 0.8632 | 1.0000 | 0.9728 |
一个ACL:前交叉韧带。
该模型在鉴别撕裂acl、完整acl和其他图像时的性能。(A)混淆矩阵;(B)模型的ROC曲线;(C)识别撕裂acl图像的精确召回曲线;(D)完整acl图像识别的精确召回曲线;(E)识别其他图像(ACL未撕裂或完整的图像)的精度召回曲线。ACL:前交叉韧带;ROC:受试者工作特征。
诊断acl撕裂病例的分类矩阵。ACL:前交叉韧带。
该模型在从完整的MRI图像中识别acl撕裂诊断的撕裂图像时的性能。(A)混淆矩阵;(B)模型的ROC曲线;(C)精度召回曲线。ACL:前交叉韧带;ROC:受试者工作特征。
该模型在区分完整acl和撕裂acl图像时的性能。(A)混淆矩阵;(B)模型的ROC曲线;(C)精度召回曲线;(D)识别出的撕裂acl图像(左)及其代表性热图(右)。ACL:前交叉韧带;ROC:受试者工作特征。
模型的准确性和经验不同的骨科住院医师和医学生在诊断前交叉韧带撕裂随机选择40例磁共振成像病例。
读者 | 准确性,意思是 |
|
机 | 0.975 | 参考b |
第一组:总住院医师和体育研究员(n=3) | 0.888 | 13。 |
第二组:第三和第四年住院医生(n=3) | 0.817 | 02 |
第3组:第一年和第二年住院医生(n=3) | 0.742 | .003 |
医科学生(n=3) | 0.708 | 措施 |
一个
b机器读数的准确性被用作参考。
这项研究证明了使用人工智能方法从完整的MR图像中诊断ACL撕裂的可行性,准确率为96%,从ACL撕裂病例中识别ACL撕裂图像的准确率为99.4%,从选定的MR图像中区分完整的ACL和撕裂的ACL图像的准确率为96.9%。该模型还显示出明显高于骨科住院医师培训和医学生的诊断准确性。
MRI是一种评估前交叉韧带撕裂的高精度工具,其准确性、敏感性和特异性均超过90% [
在正常的膝关节中,前交叉韧带位于股骨外侧髁和胫骨前中部之间,并连接胫骨脊柱前侧。矢状位MR图像呈与髁间嵴平行的紧绷直带(Blumensaat线),T1和t2加权图像信号强度较低(
从模型阅读测试集和不同经验的住院医生和医学生中随机选择了共40例病例。每个病例提供的图像都是完整的MRI检查,包括所有平面和序列。结果表明,该模型诊断前交叉韧带撕裂病例的准确性明显高于医学生和正在接受培训的骨科住院医师。对于骨科医生或放射科医生来说,阅读MR图像来识别前交叉韧带撕裂是相对常规的。然而,对于经验不足的读者,当他们不确定诊断时,该模型可能提供有用的参考。
在这项研究中,我们没有只从一个特定的磁共振扫描仪提取图像。这是因为,在日常实践中,医院可能有多个扫描仪,有时医生可能需要读取来自另一家医院的未知扫描仪的MR图像。本研究的MR图像使用我们研究所的6个不同的MR膝关节扫描仪获得,这些扫描仪来自2个不同的公司,并在不同的年份购买。除了我们医院获得的MR图像外,当患者来寻求第二意见或要求手术时,也会从其他医院获取图像并上传到我们的图像系统中。因此,我们的数据集包含了来自不同扫描仪的图像,并且模型不太可能从扫描仪中学习到与ACL条件无关的一些工件。我们证明了该模型可以很好地用于包含来自不同扫描仪的MR图像的独立测试集。
据报道,在许多使用不同人工智能方法的研究中,使用深度学习方法检测前交叉韧带撕裂的准确率超过95% [
我们的研究有几个局限性。首先,我们没有标记部分撕裂的acl图像。前交叉韧带的部分撕裂比完全撕裂更难诊断,而且这些诊断在MR图像上的准确性较差[
这项研究证明了使用人工智能方法从完整的MR图像中诊断ACL撕裂的可行性(准确率为96.0%),从ACL撕裂病例中识别ACL撕裂图像,并从所选的MR图像中区分完整的ACL和撕裂的ACL图像。这些模型可以作为诊断前交叉韧带损伤的临床决策支持系统,为具有不同经验和目的的临床医生阅读膝关节核磁共振成像。
人工智能
前交叉韧带
卷积神经网络
科学技术部
磁共振成像
作者感谢科学技术部(MOST;MOST 109-2926-I-010-501, MOST 107-2314-B-010-015-MY3, MOST 109-2926-I-010-502, MOST 109-2321-B-010-005, MOST 108-2923-B-010-002-MY3, MOST 109-2823-8-010-003-CV, MOST 109-2622-B-010-006, MOST 109-2321-B-010-006)。本工作得到国立阳明大学(现国立阳明交通大学)医学院“发展建设规划”(107F-M01-0504)的特别支持;以及教育部拨款的“力争一流大学计划”。
没有宣布。