检索历史 清除

摘要目的：<br>　　准确识别髋部骨折内固定装置的品牌和型号，对于第二次手术至关重要。如果术前不能正确识别植入物的设计，会导致转诊、手术失败和医疗费用的增加，但获得第一次的手术记录并不是一件容易的事。本研究的目的是开发并验证一个深度卷积神经网络（Deep convolutional neural network，DCNN）模型，从前后位（Anteroposterior，AP）X光片中自动识别髋关节内固定装置的制造商和型号。<br>　　方法：<br>　　在这项回顾性研究中，我们从骨科中心收集了从2014年6月至2022年6月期间的1721张髋关节AP射线照片，包括1012名患者的6种内固定装置，以建立一个分类识别网络。这些图像被随机划分为训练集（1106张）、验证集（272张）和测试集（343张）。训练集的数据用于拟合模型的参数，验证集的数据用于验证拟合模型的效能和调整超参数，测试集的数据用于评估模型的最终性能。最终计算了模型的总体Top-1准确率以及每个内固定装置精确性、敏感性、特异性和F1得分，并绘制了接收者操作特征（Receiver operating characteristic，ROC）曲线来评估模型的性能。梯度加权类激活图（Gradient-weighted class activation mapping，Grad-CAM）图像被用来确定对DCNN决策最重要的图像特征。<br>　　结果：<br>　　1378张（80%）图像被用于模型开发，模型的准确率在343张（20%）图像的测试集中得到验证。TOP-1的总体准确率为98.5%。每个内固定模型的接受者操作特征曲线下的面积（Area under curve，AUC）值分别为1.000、1.000、0.980、1.000、0.999和1.000。梯度加权类激活图高亮显示了内固定装置的独特设计。<br>　　结论：<br>　　我们开发了一个深度卷积神经网络模型，可以从髋关节AP位X光片上识别髋关节内固定装置的制造商和型号。