(HealthDay)—Einer künstlichen Intelligenz-system basiert auf deep learning ist machbar für die Erkennung von voll-Dicke des vorderen Kreuzbandes (ACL) Tränen, die im inneren des Kniegelenks, die auf Magnetresonanz (MR) – Bilder, laut einer Studie, veröffentlicht online am 8. Mai in der Radiologie: Künstliche Intelligenz.
Fang Liu, Ph. D., von der University of Wisconsin School of Medicine and Public Health in Madison und Kollegen entwickelten eine komplett automatisierte deep-learning-basierten system mit zwei deep convolutional neural networks zu isolieren ACL auf MR-Bilder. Die deep-learning-Ansatz verwendet wurde, nachträglich zu analysieren sagittale Protonen-Dichte-gewichteten und Fett-unterdrückte T2-gewichtete schnelle spin-echo-MR-Bilder des Knies in 175 Personen mit voller Dicke ACL Tränen und 175 Personen mit intaktem ACL. Mit arthroskopischen Ergebnisse als Referenzstandard, Sensitivität und Spezifität der ACL-Riss-detection-system und fünf klinische Radiologen ermittelt wurden.
Die Forscher fanden heraus, dass der optimale Schwellenwert, Sensitivität und Spezifität der ACL-Riss-detection-system wurden 0,96 und 0.96, respektive. Im Gegensatz dazu, für klinische Radiologen, die Empfindlichkeit lag zwischen 0,96 und 0,98 auf, während die Spezifität variiert von 0,90 bis 0,98. Bei P < 0.05 keine statistisch signifikante Unterschied wurde gesehen in der diagnostischen Leistung zwischen den ACL-Riss-detection-system und klinische Radiologen. Für die ACL-Riss-detection-system, die Fläche unter der receiver operating characteristic Kurve 0,98 Betrug.
„Zukünftige Arbeit ist erforderlich für die weitere technische Entwicklung und Validierung das ACL-Riss-detection-system, bevor es umgesetzt werden konnte, in der klinischen Praxis,“ die Autoren schreiben.