基于深度学习的胎儿脑室自动测量框架开发与不同经验水平放射科医生的性能比较

《BMC Medical Imaging》:Automated measurement and diagnosis of fetal ventriculomegaly in ultrasound using deep learning

【字体: 大 中 小 】 时间:2026年10月10日 来源:BMC Medical Imaging 3.9

编辑推荐:

   **摘要** **引言** 脑室扩大(VM)是最常见的中枢神经系统(CNS)异常之一,与其他先天性缺陷、染色体异常及宫内感染有重要关联。准确测量脑室宽度对于产前诊断和风险评估至关重要。然而,超声检查的操作者依赖性引入了测量变异性,可能影响诊断准确性。尽管人工智能(AI)在超

  **摘要****引言**脑室扩大(VM)是最常见的中枢神经系统(CNS)异常之一,与其他先天性缺陷、染色体异常及宫内感染有重要关联。准确测量脑室宽度对于产前诊断和风险评估至关重要。然而,超声检查的操作者依赖性引入了测量变异性,可能影响诊断准确性。尽管人工智能(AI)在超声分析中已显示出潜力,但其在自动化VM评估中的表现以及与不同水平放射科医生的测量一致性仍受到限制。**目的**本研究旨在开发一种深度学习框架,用于自动测量和诊断胎儿VM,并通过与不同专业水平的放射科医生进行比较来评估其临床适用性。**方法**本研究从4家医院收集了1,018例胎儿的超声数据,用于开发和评估自动胎儿VM评估的深度学习框架。正常胎儿和VM胎儿的图像被随机分配(比例,4:1)到训练集和内部验证集中。使用独立数据集进行外部验证,并与不同专业水平的放射科医生进行比较。我们评估了两种自动化策略:地标定位(AI-LandVM)和基于分割的测量(AI-SegVM),使用U-Net架构来估计侧脑室宽度。采用诊断准确率、敏感度、特异度、测量误差和Bland-Altman分析来评估AI框架的性能,并与不同经验水平的放射科医生进行比较。**结果**AI-SegVM框架实现了较高的诊断性能,准确率为98.20%,与专家标注表现出极佳的一致性,平均绝对误差(MAE)为0.53±1.17 mm,组内相关系数(ICC)为93.02%。与不同专业水平的放射科医生相比,AI-SegVM显示出更低的测量变异性和一致的诊断性能。相比之下,AI-LandVM策略的表现较差,这可能是由于其捕获全面脑室结构信息的能力有限所致。**结论**AI-SegVM框架为自动胎儿VM测量和诊断提供了一种可靠的方法,展示了减少操作者依赖变异性和支持标准化产前超声评估的潜力。这些发现突出了AI辅助方法在提高胎儿VM评估一致性和效率方面的潜力。
相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号