論文の概要: Deep Learning-Based Automatic Diagnosis System for Developmental Dysplasia of the Hip

• arxiv url: http://arxiv.org/abs/2209.03440v2
• Date: Sun, 13 Apr 2025 14:33:13 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-04-15 16:47:49.403635
• Title: Deep Learning-Based Automatic Diagnosis System for Developmental Dysplasia of the Hip
• Title（参考訳）: 深層学習による股関節変性症の自動診断システム
• Authors: Yang Li, Leo Yan Li-Han, Hua Tian,
• Abstract要約: 股関節の発達性異形成の臨床的診断は、通常は手動で重要な放射線学的角度を計測する。 本研究の目的は,DDH診断の精度と整合性を高めるために,これらの測定値を統合する自動システムを開発することである。
• 参考スコア（独自算出の注目度）: 3.216812203515066
• License:
• Abstract: Objective: The clinical diagnosis of developmental dysplasia of the hip (DDH) typically involves manually measuring key radiological angles -- Center-Edge (CE), Tonnis, and Sharp angles -- from pelvic radiographs, a process that is time-consuming and susceptible to variability. This study aims to develop an automated system that integrates these measurements to enhance the accuracy and consistency of DDH diagnosis. Methods and procedures: We developed an end-to-end deep learning model for keypoint detection that accurately identifies eight anatomical keypoints from pelvic radiographs, enabling the automated calculation of CE, Tonnis, and Sharp angles. To support the diagnostic decision, we introduced a novel data-driven scoring system that combines the information from all three angles into a comprehensive and explainable diagnostic output. Results: The system demonstrated superior consistency in angle measurements compared to a cohort of eight moderately experienced orthopedists. The intraclass correlation coefficients for the CE, Tonnis, and Sharp angles were 0.957 (95% CI: 0.952--0.962), 0.942 (95% CI: 0.937--0.947), and 0.966 (95% CI: 0.964--0.968), respectively. The system achieved a diagnostic F1 score of 0.863 (95% CI: 0.851--0.876), significantly outperforming the orthopedist group (0.777, 95% CI: 0.737--0.817, p = 0.005), as well as using clinical diagnostic criteria for each angle individually (p<0.001). Conclusion: The proposed system provides reliable and consistent automated measurements of radiological angles and an explainable diagnostic output for DDH, outperforming moderately experienced clinicians. Clinical impact: This AI-powered solution reduces the variability and potential errors of manual measurements, offering clinicians a more consistent and interpretable tool for DDH diagnosis.
• Abstract（参考訳）: 目的: 変形性股関節症(DDH)の臨床的診断は、典型的には、骨盤X線写真からCentral-Edge(CE)、Tonnis(Tonnis)、Sharp(シャープ)といった重要な放射線学的角度を手動で測定する。 本研究の目的は,DDH診断の精度と整合性を高めるために,これらの測定値を統合する自動システムを開発することである。 方法と手順: 骨盤X線写真から8つの解剖学的キーポイントを正確に同定し,CE, Tonnis, Sharp角の自動計算を可能にするキーポイント検出のためのエンドツーエンドディープラーニングモデルを開発した。 診断決定を支援するために,3つの角度の情報を包括的かつ説明可能な診断出力に組み合わせた,新しいデータ駆動スコアリングシステムを導入した。 結果: 健常者8名のコホートと比較すると, 角度測定の整合性は良好であった。 CE, Tonnis, Sharp角のクラス内相関係数は, 0.957 (95% CI: 0.952--0.962), 0.942 (95% CI: 0.937--0.947), 0.966 (95% CI: 0.964--0.968), それぞれ0.863 (95% CI: 0.851-0.876), 整形外科群 (0.777, 95% CI: 0.737-0.817, p = 0.005), および各角度の臨床診断基準 (p<0.001) で有意に優れていた。 結論: 本システムは, 放射線学的角度の信頼性と一貫した自動測定, DDHの診断出力を提供し, 適度に経験した臨床医より優れていた。 臨床効果:このAIを利用したソリューションは、手動測定の多様性と潜在的なエラーを低減し、臨床医にDDH診断のためのより一貫性と解釈可能なツールを提供する。

関連論文リスト

• Deep Radiomics Detection of Clinically Significant Prostate Cancer on Multicenter MRI: Initial Comparison to PI-RADS Assessment [0.0]
  本研究は,2010年から2020年の間に取得した4つのデータセットから615例(平均年齢63.1+/-7歳)のバイパラメトリック(T2WおよびDW)前立腺MRI配列を分析した。 深部放射線学の機械学習モデルは, 病変レベルではなく, csPCa検出において, PI-RADSアセスメントに匹敵する性能を示した。
  論文  参考訳（メタデータ） (2024-10-21T17:41:58Z)
• AXIAL: Attention-based eXplainability for Interpretable Alzheimer's Localized Diagnosis using 2D CNNs on 3D MRI brain scans [43.06293430764841]
  本研究では,3次元MRIを用いたアルツハイマー病診断の革新的手法を提案する。 提案手法では,2次元CNNがボリューム表現を抽出できるソフトアテンション機構を採用している。 ボクセルレベルの精度では、どの領域に注意が払われているかを同定し、これらの支配的な脳領域を同定する。
  論文  参考訳（メタデータ） (2024-07-02T16:44:00Z)
• Incorporating Anatomical Awareness for Enhanced Generalizability and Progression Prediction in Deep Learning-Based Radiographic Sacroiliitis Detection [0.8248058061511542]
  本研究の目的は, 深層学習モデルに解剖学的認識を取り入れることで, 一般化性を高め, 疾患進行の予測を可能にするかを検討することである。 モデルの性能は, 受信機動作特性曲線(AUC)下の領域, 精度, 感度, 特異性を用いて比較した。
  論文  参考訳（メタデータ） (2024-05-12T20:02:25Z)
• Detection of subclinical atherosclerosis by image-based deep learning on chest x-ray [86.38767955626179]
  460胸部X線で冠状動脈カルシウム(CAC)スコアを予測する深層学習アルゴリズムを開発した。 AICACモデルの診断精度は, 曲線下領域(AUC)で評価された。
  論文  参考訳（メタデータ） (2024-03-27T16:56:14Z)
• Deep learning in computed tomography pulmonary angiography imaging: a dual-pronged approach for pulmonary embolism detection [0.0]
  本研究の目的は,深層学習技術を活用し,肺塞栓症(PE)のコンピュータ支援診断(CAD)を強化することである。 我々の分類システムは、注意機構を用いて局所的な文脈を利用する注意誘導畳み込みニューラルネットワーク(AG-CNN)を含む。 AG-CNNはFUMPEデータセット上で堅牢なパフォーマンスを実現し、AUROCは0.927、感度は0.862、特異性は0.879、F1スコアは0.805、Inception-v3バックボーンアーキテクチャは0.805である。
  論文  参考訳（メタデータ） (2023-11-09T08:23:44Z)
• Learning to diagnose cirrhosis from radiological and histological labels with joint self and weakly-supervised pretraining strategies [62.840338941861134]
  そこで本稿では, 放射線学者が注釈付けした大規模データセットからの転写学習を活用して, 小さい付加データセットで利用できる組織学的スコアを予測することを提案する。 我々は,肝硬変の予測を改善するために,異なる事前訓練法,すなわち弱い指導法と自己指導法を比較した。 この方法は、METAVIRスコアのベースライン分類を上回り、AUCが0.84、バランスの取れた精度が0.75に達する。
  論文  参考訳（メタデータ） (2023-02-16T17:06:23Z)
• Deep-Learning Tool for Early Identifying Non-Traumatic Intracranial Hemorrhage Etiology based on CT Scan [40.51754649947294]
  深層学習モデルは、2011年1月から2018年4月までに収集された非外傷性ICHを用いた1868個のNCCTスキャンを用いて開発された。 診断成績は臨床医の成績と比較した。 臨床医は, システム拡張による特定の出血エチオロジーの感度, 特異性, 精度を著しく改善した。
  論文  参考訳（メタデータ） (2023-02-02T08:45:17Z)
• Systematic Clinical Evaluation of A Deep Learning Method for Medical Image Segmentation: Radiosurgery Application [48.89674088331313]
  3次元医用画像分割作業において,Deep Learning (DL) 手法を体系的に評価した。 本手法は放射線外科治療プロセスに統合され,臨床ワークフローに直接影響を及ぼす。
  論文  参考訳（メタデータ） (2021-08-21T16:15:40Z)
• Ensemble machine learning approach for screening of coronary heart disease based on echocardiography and risk factors [19.076443235356873]
  我々は,モデル積み重ねにより,多くの一般的な分類手法を統合する機械学習アプローチを開発した。 CHD分類の精度は,テストセットで約70%から87.7%に向上した。
  論文  参考訳（メタデータ） (2021-05-20T11:04:58Z)
• Identification of Ischemic Heart Disease by using machine learning technique based on parameters measuring Heart Rate Variability [50.591267188664666]
  本研究は,243名の非侵襲的特徴(年齢,性別,左室容積率,HRV15)を用いて,一連のANNの訓練と評価を行った。 最高の結果は、7つの入力パラメータと7つの隠れノードを使用して、トレーニングと検証データセットに対して98.9%と82%の精度で得られた。
  論文  参考訳（メタデータ） (2020-10-29T19:14:41Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。