根据《放射学：人工智能》上发表的新研究，一种深度学习模型可在创伤的X光片上对急性和非急性小儿肘部异常进行分类，准确率达88%。
医学博士Jesse C. Rayan领导写道：“在没有训练有素的现场放射科医生的大批量急诊科或急诊中心，急需对患者进行快速正确的分流，以进行骨科评估或出院。”马萨诸塞州总医院的同事们。“对肘部畸形的二项鉴定有可能简化在缺乏立即联系受过训练的儿科放射科医生的情况下的即时医疗分类。”
Rayan及其同事试图确定使用多视图方法进行深度学习以解决X线片上小儿肘部异常的可行性，这与放射科医生在其工作站上查看多个图像的方式类似。
“据我们所知，迄今为止，尚无研究在小儿肘部检查中使用[卷积神经网络](CNN)应用，并测试了将异常与正常生长中心区分开的能力，” Rayan及其同事写道。
Rayan等。研究人员在2014年1月至2017年12月的四年中共进行了21,456项放射学研究，其中包含超过58,000张肘部图像。
将研究按二项式分类为急性或亚急性创伤异常为阳性或阴性，然后将其随机分为包含20,350个研究的训练集和包含1,106个研究的验证集。研究人员结合了卷积神经网络和递归神经网络，共同解释了三个射线照片的整个系列。
研究人员写道：“通过深度学习，成功地识别出了骨骼发育不良的骨骼发育不全的未成熟患者的骨折，并且这些骨骼发育的开放性与真正的异常有所区别。”
研究人员发现，他们的深度学习模型能够以88%的准确度检测异常，灵敏度为91%，特异性为84%。AI遗漏了以下异常情况：
241例中有1例con上骨折。
1例外侧lateral突骨折88例。
77例中有15例没有骨折的肘腔积液。
184例中有37例其他异常。
研究人员指出，他们的AI可以有效地按二项分类对创伤中小儿肘部X线检查的急性和非急性发现进行分类。此外，他们的方法是独特的，因为他们应用了递归神经网络对整个射线照相系列进行分类，而不是对单个射线照相图像进行分类。
该模型可以根据所有视图得出决策，类似于人类放射科医生，并且将通过进一步的修改不断完善。
