编辑推荐：
本研究开发并验证了基于YOLO11架构的深度学习模型，用于自动检测MRI图像中的颈椎脊髓压迫。通过两家医院的数据（577+64+94患者），模型在交叉验证中mAP50达0.917-0.970，外部测试中表现优于中级医师（mAP50=0.944 vs 0.912），显著提升诊断效率和可解释性，为DCM提供可靠工具。
这是一项在两家医疗机构进行的回顾性双中心外部验证研究，收集了2022年3月至2024年8月期间疑似患有退行性颈椎脊髓病（DCM）患者的颈椎MRI数据，形成了一个连续的数据系列并进行了外部验证。
开发并验证一个基于YOLO11架构的深度学习模型，用于自动检测MRI图像中的颈椎脊髓压迫，并评估其与专家标注结果的对比性能。
DCM是成人非创伤性脊髓损伤的主要原因。虽然MRI有助于早期发现并为及时干预提供依据，但图像解读仍然具有主观性，且依赖于医生的经验，从而导致诊断结果的差异性和临床一致性方面的挑战。
构建了一个基于YOLO11的深度学习模型，采用二分类方案（正常 vs. 压迫）。五位医生根据标准化协议对735名患者的1,431张矢状T2加权颈椎MRI图像进行了标注，观察者间的一致性非常好。数据集包括训练/验证集（577名患者，1,141张图像）、内部测试集（64名患者，115张图像）和外部测试集（94名患者，175张图像）。通过五折交叉验证来评估模型的稳健性。应用了包括对比度增强、噪声减少和标准化在内的标准化预处理方法。梯度加权类激活映射（Gradient-Weighted Class Activation Mapping）提高了模型的可解释性。
五折交叉验证结果显示，模型的mAP50值在0.917到0.970之间，精确度在0.897到0.923之间，召回率在0.922到0.946之间。外部测试显示，该模型与专家标注的结果在统计上更为一致（mAP50=0.944，95%置信区间：0.934-0.953），优于中级医生的标注结果（mAP50=0.912，95%置信区间：0.908-0.919），两者之间的差异具有统计学意义（差异的95%置信区间：0.015-0.043，p<0.05）。
基于YOLO11的模型在两家医疗机构中的表现稳定，与专家水平的临床标准非常接近。该模型具有快速推理能力、高灵敏度以及集成的可视化系统，有效解决了临床AI应用中与颈椎脊髓压迫评估相关的效率和可解释性方面的关键问题。
通俗语言总结这项研究利用YOLO11架构开发了一个深度学习模型，用于自动检测MRI图像中的颈椎脊髓压迫情况，旨在提高退行性颈椎脊髓病（DCM）的诊断一致性。该模型使用577名患者的MRI数据进行了训练和验证，并在两家医疗机构中对64名患者进行了内部测试，对94名患者进行了外部测试。结果显示，模型的mAP50值在0.917到0.970之间，准确率较高，在外部测试中的表现优于中级医生。模型的快速推理和可视化功能提升了临床效率与可解释性，为DCM病例的早期发现和干预提供了可靠的工具。
本文为机器生成，可能存在不准确之处。常见问题解答
生物通 版权所有
