DOI: https://doi.org/10.1038/s41698-025-00855-3
PMID: https://pubmed.ncbi.nlm.nih.gov/40074845
تاريخ النشر: 2025-03-13
المؤلف: Zhenyun Du وآخرون
الموضوع الرئيسي: الرياضيّات والتعلم الآلي في التصوير الطبي
الطرق
تشمل منهجية هذا البحث عدة مكونات رئيسية: جمع البيانات، المعالجة المسبقة، التوضيح، تصميم النموذج، والتطوير. تم الحفاظ على الامتثال الأخلاقي بشكل صارم طوال الدراسة، مع الالتزام بإعلان هلسنكي والحصول على موافقة من مجلس المراجعة المؤسسية للدراسات البشرية في مستشفى شيانغيا الثاني التابع لجامعة جنوب الوسط (رقم البروتوكول: no.2022-040). بالإضافة إلى ذلك، تم الحصول على موافقات بأثر رجعي من مجالس المراجعة المؤسسية المحلية لمستشفى شيانغيا ومستشفى الأطفال في هونان، مع تنازل عن الموافقة المستنيرة بسبب الطبيعة الرجعية للدراسة.
تم إجراء البحث بما يتماشى مع الإرشادات الوطنية والدولية، مع اتباع قائمة التحقق للذكاء الاصطناعي في التصوير الطبي (CLAIM) لضمان الصرامة المنهجية والنزاهة الأخلاقية. يبرز هذا النهج المنظم الالتزام بالمعايير الأخلاقية وموثوقية النتائج المستمدة من الدراسة.
النتائج
يقدم قسم “النتائج” في ورقة البحث النتائج الرئيسية المستمدة من التجارب أو التحليلات التي تم إجراؤها. يوضح نتائج الدراسة، مع تسليط الضوء على نقاط البيانات المهمة، والاتجاهات، وأي تحليلات إحصائية تم إجراؤها. عادةً ما يتم توضيح النتائج من خلال الجداول، الرسوم البيانية، أو الأشكال، التي توفر تمثيلًا بصريًا للبيانات وتسهّل التفسير.
قد يناقش القسم أيضًا تداعيات النتائج فيما يتعلق بالفرضيات المطروحة في بداية البحث. يتم تناول أي نتائج غير متوقعة أو شذوذ، مع تقديم تفسيرات محتملة. بشكل عام، يخدم هذا القسم لنقل المساهمات الأساسية للبحث، مما يمهد الطريق لمزيد من المناقشة والتفسير في الأقسام اللاحقة.
المناقشة
يقدم قسم المناقشة في ورقة البحث تحليلًا شاملاً لإطار عمل مبتكر تم تطويره للكشف والتصنيف المتزامن للأورام العظمية الأولية (PBTs) والعدوى العظمية. شملت الدراسة مجموعة استعادية من 1992 مريضًا، مع تركيز كبير على الخصائص السريرية والتصنيفات النسجية المرضية للآفات. أظهر النموذج الجماعي، الذي يدمج نموذج تصوير قائم على الأشعة مع نموذج انحدار لوجستي سريري، أداء تصنيف متفوق مقارنة بالنماذج التصويرية الفردية وأطباء الأشعة، محققًا منطقة تحت المنحنى (AUC) تبلغ 0.963 ودقة بنسبة 89.5% في التحقق الخارجي. يشير هذا إلى قوة النموذج وإمكاناته في تعزيز دقة التشخيص في البيئات السريرية.
علاوة على ذلك، تسلط الدراسة الضوء على أهمية قابلية التفسير في نماذج التعلم العميق، باستخدام تقنيات مثل GradCAM وScoreCAM لتصور عملية اتخاذ القرار للنموذج الجماعي. تكشف النتائج أنه بينما يحدد النموذج بفعالية الميزات المرضية الرئيسية، هناك حالات حيث يخطئ كل من النموذج وأطباء الأشعة في تصنيف بعض الحالات، مما يبرز تعقيد التمييز بين PBTs والعدوى العظمية. يدعو المؤلفون إلى اتباع نهج منهجي لجمع البيانات وتدريب النموذج، مع التأكيد على الحاجة إلى معلومات سريرية شاملة لتحسين الأداء التشخيصي. بشكل عام، يظهر إطار العمل الجماعي وعدًا في تعزيز قدرات التشخيص لدى الأطباء، مما يسهل اتخاذ قرارات علاجية مستنيرة وفي الوقت المناسب للمرضى.
DOI: https://doi.org/10.1038/s41698-025-00855-3
PMID: https://pubmed.ncbi.nlm.nih.gov/40074845
Publication Date: 2025-03-13
Author(s): Zhenyun Du et al.
Primary Topic: Radiomics and Machine Learning in Medical Imaging
Methods
The methodology of this research encompasses several key components: data collection, preprocessing, annotation, model design, and development. Ethical compliance was rigorously maintained throughout the study, adhering to the Declaration of Helsinki and receiving approval from the institutional review board of human studies at the Second Xiangya Hospital of Central South University (protocol number: no.2022-040). Additionally, retrospective approvals were obtained from the local institutional review boards of Xiangya Hospital and Hunan Children’s Hospital, with informed consent waived due to the study’s retrospective nature.
The research was conducted in alignment with both national and international guidelines, specifically following the Checklist for Artificial Intelligence in Medical Imaging (CLAIM) to ensure methodological rigor and ethical integrity. This structured approach underscores the commitment to ethical standards and the reliability of the findings derived from the study.
Results
The “Results” section of the research paper presents the key findings derived from the conducted experiments or analyses. It details the outcomes of the study, highlighting significant data points, trends, and any statistical analyses performed. The results are typically illustrated through tables, graphs, or figures, which provide a visual representation of the data and facilitate interpretation.
The section may also discuss the implications of the findings in relation to the hypotheses posed at the outset of the research. Any unexpected results or anomalies are addressed, along with potential explanations. Overall, this section serves to convey the core contributions of the research, setting the stage for further discussion and interpretation in subsequent sections.
Discussion
The discussion section of the research paper presents a comprehensive analysis of an innovative ensemble framework developed for the concurrent detection and classification of primary bone tumors (PBTs) and bone infections. The study involved a retrospective cohort of 1992 patients, with a significant focus on the clinical characteristics and histopathological classifications of the lesions. The ensemble model, which integrates a radiograph-based imaging model with a clinical logistic regression model, demonstrated superior classification performance compared to individual imaging models and radiologists, achieving an area under the curve (AUC) of 0.963 and an accuracy of 89.5% in external validation. This indicates the model’s robustness and potential for enhancing diagnostic accuracy in clinical settings.
Furthermore, the study highlights the importance of interpretability in deep learning models, utilizing techniques such as GradCAM and ScoreCAM to visualize the decision-making process of the ensemble model. The findings reveal that while the model effectively identifies key pathological features, there are instances where both the model and radiologists misclassify certain conditions, underscoring the complexity of differentiating between PBTs and bone infections. The authors advocate for a systematic approach to data collection and model training, emphasizing the need for comprehensive clinical information to improve diagnostic performance. Overall, the ensemble framework shows promise in augmenting the diagnostic capabilities of clinicians, facilitating timely and informed treatment decisions for patients.