The Efficacy of Artificial Intelligence Models in Diagnosing Knee Fractures from X-ray Images using Hybrid Attention Architecture
Deze studie toont aan dat tien diverse deep learning-modellen, waaronder CNN's en Vision Transformers die gebruikmaken van een multi-view aandachtmechanisme, een hoge diagnostische nauwkeurigheid en snelle verwerkingssnelheden bereiken voor kniefracturen op röntgenfoto's, wat wijst op hun sterke potentieel als klinische beslissingsondersteunende instrumenten, zelfs in omgevingen met beperkte middelen.
Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer
Elk jaar breken miljoenen mensen over de hele wereld botten nabij hun knie. Wanneer dit gebeurt, is de eerste stap die artsen ondernemen het bekijken van röntgenfoto's. Deze beelden worden meestal vanuit twee verschillende hoeken genomen: één van voren en één van de zijkant. Dit dubbele beeld is cruciaal omdat een barst in het bot verborgen kan zijn in de ene foto, maar duidelijk zichtbaar in de andere. Het lezen van deze beelden is echter moeilijk werk. In drukke spoedeisende hulpafdelingen missen artsen die geen specialisten in botten zijn soms deze breuken, wat leidt tot vertraagde behandeling en langere hersteltijden. Om dit probleem op te lossen, leren wetenschappers computers om naar medische beelden te kijken, in de hoop dat zij letsel kunnen ontdekken dat het menselijk oog over het hoofd ziet. De hulpmiddelen die ze gebruiken, worden kunstmatige intelligentiemodellen genoemd. Sommige van deze modellen werken als traditionele camera's, waarbij ze een beeld stukje voor stukje scannen om randen en texturen te vinden. Anderen werken meer zoals het menselijk brein, door naar het hele plaatje te kijken om te begrijpen hoe verschillende delen met elkaar samenhangen. De grote vraag is of deze computers kunnen leren om de voor- en zijaanzichten effectief genoeg te combineren om betrouwbare helpers voor artsen te worden.
Een team onderzoekers uit Chili ging deze gedachte testen met een specifieke focus op kniebreuken. Ze verzamelden een grote collectie röntgenfoto's uit hun ziekenhuisarchieven, waarbij ze 860 sets scans selecteerden. De helft van deze sets toonde patiënten met bevestigde breuken, terwijl de andere helft gezonde knieën liet zien. Om er zeker van te zijn dat de computer correct leerde, verdeelden ze deze gegevens in groepen voor training, controle en uiteindelijke tests. De onderzoekers bouwden vervolgens een systeem dat zowel de voorwaartse als de zijwaartse röntgenfoto's tegelijkertijd kon bekijken. In plaats van de twee beelden simpelweg op elkaar te stapelen, ontwierpen ze een speciaal mechanisme waarmee de computer de twee aanzichten dynamisch kon vergelijken. Dit systeem kon beslissen welke delen van de voorwaartse afbeelding belangrijk waren en welke delen van de zijwaartse afbeelding nuttiger waren, waarbij het de manier nabootst waarop een arts zijn aandacht verlegt tussen de aanzichten om een verborgen barst te vinden. Ze testten tien verschillende soorten kunstmatige intelligentiemodellen, variërend van de eenvoudigere, snellere modellen tot de complexere, nieuwere ontwerpen, om te zien welke aanpak het beste werkte.
De resultaten toonden aan dat de computers bijzonder goed waren in de taak. De beste modellen waren in bijna alle gevallen in staat om breuken correct te identificeren, waarbij ze een nauwkeurigheidsniveau bereikten dat overeenkwam met de prestaties van deskundige menselijke lezers. Wat het meest verrassend was, was dat het type computermodel niet zo belangrijk leek als de manier waarop de twee aanzichten werden gecombineerd. Zowel de eenvoudigere, snellere modellen als de complexere, nieuwere modellen presteerden even goed wanneer ze deze speciale methode gebruikten om de twee röntgenhoeken te vergelijken. De meest nauwkeurige modellen bereikten een score van 0,94, wat wijst op een zeer hoog niveau van betrouwbaarheid. Bovendien waren deze systemen ongelooflijk snel en analyseerden ze elk paar beelden in minder dan een seconde. Het snelste model kon een afbeelding in slechts iets meer dan 50 milliseconden verwerken. De onderzoekers maakten ook visuele kaarten om te laten zien waar de computer naar keek. In gevallen waarin de computer correct was, lieten deze kaarten de exacte plek van de breuk zien, wat bewees dat de machine niet alleen gokte, maar zich daadwerkelijk op het letsel concentreerde.
De studie behandelde ook een veelvoorkomende zorg over kunstmatige intelligentie: of het alleen werkt bij grote hoeveelheden gegevens. De onderzoekers ontdekten dat hun methode effectief werkte, zelfs met een gemiddeld aantal afbeeldingen, wat suggereert dat deze tools nuttig kunnen zijn in ziekenhuizen die niet over enorme databases met medische dossiers beschikken. Ze merkten op dat hoewel de computers snel en nauwkeurig waren, ze niet perfect waren, en dat het systeem nog steeds getest moet worden in echte spoedeisende hulpafdelingen om te zien hoe het presteert onder de druk van een drukke kliniek. De onderzoekers concludeerden dat door computers te leren kijken naar meerdere hoeken van een letsel, precies zoals artsen dat doen, het mogelijk is om krachtige instrumenten te creëren die medische beslissingen ondersteunen. Deze instrumenten zouden vooral waardevol kunnen zijn op plaatsen waar gespecialiseerde artsen niet altijd beschikbaar zijn, door een snelle en betrouwbare tweede mening te bieden om ervoor te zorgen dat geen enkele botbreuk onopgemerkt blijft.
Verdrinkt u in papers in uw vakgebied?
Ontvang dagelijkse digests van de nieuwste papers die bij uw onderzoekswoorden passen — met technische samenvattingen, in uw taal.