LesionScanNet: Изкуственият интелект революционизира диагностиката на апендицит с 99% точност

LesionScanNet: Изкуственият интелект революционизира диагностиката на апендицит с 99% точност

Изследването предлага нови прозрения за диагностицирането на остър апендицит, внезапно възпаление на апендикса, което причинява симптоми като коремна болка, повръщане и треска. Компютърната томография (КТ) често се използва за диагностика, но това може да бъде трудно поради местоположението на апендикса и сложната анатомия на дебелото черво. Нов инструмент, наречен LesionScanNet, е разработен, за да помогне на рентгенолозите точно да открият това състояние.

LesionScanNet е усъвършенстван модел, базиран на дълбока невронна мрежа, по-специално конволюционна невронна мрежа (CNN). Този модел анализира CT изображения, за да открие признаци на апендицит с висока точност. За разработването на модела бяха събрани 2400 CT изображения, които осигуряват солидна основа за обучение на мрежата. Впечатляващо, моделът постигна точност от 99% при откриване на апендицит на тестови изображения - резултат, който дори надминава водещите на пазара модели.

Потенциалното въздействие на това развитие може да бъде значително. Използването на такъв мощен модел може да направи диагностицирането на апендицит по-прецизно и по-бързо, което от своя страна може да доведе до по-ефективно лечение. Тъй като този инструмент се развива по-нататък, той потенциално би могъл да се използва в други медицински области, което го прави универсален инструмент в образната диагностика.

Основни термини и понятия

• Akute Blinddarmentzündung: Eine schnelle Entzündung des Wurmfortsatzes (Appendix) mit Symptomen wie Bauchschmerzen und Fieber.
• Computertomographie (CT): Ein medizinisches Bildgebungsverfahren, das Querschnittsbilder des Körpers liefert, um Krankheiten und Verletzungen zu diagnostizieren.
• Convolutional Neural Network (CNN): Eine Art von künstlichem neuronalen Netzwerk, das besonders gut bei der Analyse von Bilddaten ist.
• LesionScanNet: Eine spezifische Methode, basierend auf CNN, die entwickelt wurde, um Anzeichen von Erkrankungen wie einer Blinddarmentzündung auf CT-Bildern zu erkennen.
• Parameter: Zahlen, die in einem Modell verwendet werden, um Vorhersagen zu machen; je leichter das Modell, desto weniger Parameter werden benötigt.

Съкращения

• CT: Computertomographie
• CNN: Convolutional Neural Network (Faltung neuronales Netzwerk)

LesionScanNet: Прецизност при диагностицирането на остър апендицит

Настоящото изследване представя модела LesionScanNet, нова конволюционна невронна мрежа (CNN) специално за компютърно подпомагано откриване на остър апендицит. Това изследване особено подчертава прецизността и ефективността на този модел при обработката на CT изображения, преодоляване на предизвикателства като анатомична променливост в местоположението на апендикса.

Методология и структура на модела

• Datensatz: Die Studie basierte auf einem umfangreichen Datensatz, bestehend aus 2400 CT-Scan-Bildern, die von der Abteilung für Allgemeinchirurgie am Kanuni Sultan Süleyman Ausbildungs- und Forschungs-Krankenhaus in Istanbul, Türkei, gesammelt wurden.
• Modellarchitektur: LesionScanNet ist ein leichtgewichtiges Modell mit lediglich 765.000 Parametern. Es integriert mehrere DualKernel-Blocks, die jeweils eine Faltung, Expansion, separable Faltungsschichten und Skip-Verbindungen beinhalten.
• DualKernel-Blocks: Diese Blöcke verarbeiten Input-Bilder auf zwei Pfaden: einer nutzt 3×3 Filter, während der andere 1×1 Filter verwendet. Diese Struktur maximiert die Erkennungseffizienz durch unterschiedliche Filtergrößen.

Умения за изпълнение и обобщение

• Genauigkeit: Das LesionScanNet-Modell erreichte eine beachtliche Genauigkeit von 99% auf dem Testdatensatz. Dieses Ergebnis übersteigt die Leistung von etablierten Benchmark-Deep-Learning-Modellen für die Detektion der Appendizitis signifikant.
• Generalisierungsfähigkeit: Die Wirksamkeit von LesionScanNet wurde zusätzlich durch Tests auf einem Brust-Röntgenbild-Datensatz für die Erkennung von Pneumonie und COVID-19 unterstützt.

Изводи и бъдещи приложения

Проучването показва, че LesionScanNet превъзхожда както по своята специфичност, така и по ефективност при откриване на остър апендицит. Въпреки малкия брой параметри, моделът предлага стабилна производителност, което предполага неговата приложимост в други области на медицината като откриване на респираторни заболявания.

Успехът на LesionScanNet може да послужи като основа за бъдещи изследвания и разработки в обработката на медицински изображения, с потенциал за повишаване на прецизността при диагностицирането на други заболявания.

Източник на изследване: https://pubmed.ncbi.nlm.nih.gov/39654693