深度神经网络用于腕部骨折检测的批判性评估
计算机视觉与模式识别
2021-03-08 v2 机器学习
图像与视频处理
定量方法
摘要
腕部骨折是发病率最高的最常见骨折类型。常规放射摄影（即 X 射线成像）用于腕部骨折的常规检测，但偶尔骨折的勾画存在问题，需通过计算机断层扫描（CT）进行额外确认以诊断。深度学习（DL，人工智能 AI 的一个子领域）领域的近期进展表明，腕部骨折检测可使用卷积神经网络实现自动化。然而，以往研究未密切关注仅能通过 CT 成像确认的困难病例。在本研究中，我们开发并分析了一个基于 DL 的用于腕部（桡骨远端）骨折检测的先进流水线——DeepWrist，并在一个普通人群测试集和一个仅包含需 CT 确认病例的具有挑战性测试集上对其评估。我们的结果显示，典型的先进方法（如 DeepWrist）虽然在独立普通测试集上近乎完美，但在挑战性测试集上性能大幅降低——平均精度分别为 0.99 (0.99-0.99) 与 0.64 (0.46-0.83)。类似地，ROC 曲线下面积分别为 0.99 (0.98-0.99) 与 0.84 (0.72-0.93)。我们的发现凸显了在临床使用前对基于 DL 的模型进行细致分析的重要性，并揭示了医学 AI 系统需更富挑战性测试设置的必要。
引用
@article{arxiv.2012.02577,
title = {Critical Evaluation of Deep Neural Networks for Wrist Fracture Detection},
author = {Abu Mohammed Raisuddin and Elias Vaattovaara and Mika Nevalainen and Marko Nikki and Elina Järvenpää and Kaisa Makkonen and Pekka Pinola and Tuula Palsio and Arttu Niemensivu and Osmo Tervonen and Aleksei Tiulpin},
journal= {arXiv preprint arXiv:2012.02577},
year = {2021}
}