下载
345年
这篇文章需要订阅查看全文。如果你有一个订阅你可以用下面的登录表单查看文章。这篇文章也可以购买。
文摘
客观的基因诊断的肌营养不良(MDs)典型临床表现的指导下,肌肉活检,和肌肉磁共振成像数据。肌肉核磁共振显示诊断模式的基础上肌肉脂肪替代品。然而,模式不同的疾病和疾病知识研究重叠模式是有限的。我们的目标是开发一个基于软件的工具,它可以识别肌肉MRI的模式,从而援助MDs的诊断。
方法我们收集了976盆腔和下肢肌肉t1加权磁共振来自10个不同的MDs。脂肪替代品使用麦古利量化评分包含生成的数字数据和文件。随机森林监督机器学习应用于开发一个有用的识别正确的诊断模型。二千种不同的模型生成和选择精度最高的一个。一套新的20核磁共振成像用于测试模型的准确性,结果是与4专家在该领域提出的诊断。
结果共有976名来自10个不同的MDs下肢核磁共振成像使用。最好的模型获得了95.7%的准确率,敏感性92.1%,特异性99.4%。与领域专家相比,生成模型的诊断准确率明显高于20在一套新的核磁共振成像。
结论机器学习可以帮助医生诊断肌肉营养不良的肌肉的肌肉脂肪替代核磁共振分析模式。这个工具可以帮助在日常诊所和下一代测序的结果解释的测试。
证据的分类本研究二类提供证据证明肌肉mri人工智能工具准确诊断肌肉营养不良。
术语表
- 梅毒性心脏病=
- facioscapulohumeral肌肉萎缩症;
- 医学博士=
- 肌肉萎缩症;
- 总会在=
- 新一代测序;
- 净现值=
- 消极的预测价值;
- OPMD=
- oculopharyngeal肌肉萎缩症;
- PPV=
- 阳性预测值
脚注
去首页Neurology.org/N为充分披露。资金信息和披露认为作者相关的,如果有的话,年底提供这篇文章。
↵*这些作者的贡献同样这项工作。
编辑、页面421年
类的证据:NPub.org/coe
- 收到了2019年5月16日。
- 接受的最终形式2019年10月3日。
- ©2020美国神经病学学会的首页
信:快速的网络通信
-
读者反应:肌肉mri机器学习工具的准确性肌肉营养不良的诊断
你可能也会感兴趣
广告
