Op echografie gebaseerde kunstmatige intelligentie voor classificatie van carpaal tunnelsyndroom

Carpaal tunnel syndroom (CTS) is een van de meest voorkomende perifere neuropathieën en treft ongeveer 4% van de algemene bevolking. Het wordt doorgaans ingedeeld in drie graden: mild, matig en ernstig. Nauwkeurige beoordeling van het carpaletunnelsyndroom (CTS) is essentieel voor het bepalen van de juiste behandelingsopties en speelt daarmee een cruciale rol bij het optimaliseren van de patiëntresultaten. Elektrofysiologisch testen (EST) is een sleutelparameter voor het beoordelen van carpaaltunnelsyndroom (CTS). Het wordt echter beperkt door verschillende factoren, waaronder de invasieve aard ervan, de slechte reproduceerbaarheid en de verminderde gevoeligheid voor het detecteren van ziekten in een vroeg stadium. Recentelijk heeft echografie onder artsen brede acceptatie gekregen voor de beoordeling en beoordeling van CTS. Niettemin worden radiologen in dit proces vaak geconfronteerd met uitdagingen vanwege de variabiliteit in beeldkwaliteit, verschillen in ervaring en inherente subjectiviteit.

Om deze problemen aan te pakken, biedt kunstmatige intelligentie een veelbelovende oplossing. Daarom heeft deze studie tot doel een diepgaand leermodel te ontwikkelen voor het beoordelen van CTS door gebruik te maken van multimodale beeldvormingsfuncties, waaronder B-modus echografie, uitstekende microvasculaire beeldvorming (SMI) en elastografie. Bovendien zijn de onderzoekers van plan de effectiviteit van het model te valideren door het te testen met beelden uit verschillende klinische centra, waardoor de generaliseerbaarheid ervan in verschillende klinische omgevingen wordt gegarandeerd.