Ultralydbasert kunstig intelligens for klassifisering av karpaltunnelsyndrom

Karpaltunnelsyndrom (CTS) er en av de mest utbredte perifere nevropatiene, og påvirker omtrent 4 % av befolkningen generelt. Det er vanligvis klassifisert i tre grader: mild, moderat og alvorlig. Nøyaktig gradering av karpaltunnelsyndrom (CTS) er avgjørende for å bestemme passende behandlingsalternativer, og spiller dermed en avgjørende rolle i å optimalisere pasientresultatene. Elektrofysiologisk testing (EST) er en nøkkelparameter for gradering av karpaltunnelsyndrom (CTS). Imidlertid er den begrenset av flere faktorer, inkludert dens invasive natur, dårlige reproduserbarhet og redusert følsomhet for å oppdage tidlig sykdom. Nylig har ultralyd fått bred aksept blant klinikere for vurdering og gradering av CTS. Ikke desto mindre møter radiologer ofte utfordringer i denne prosessen på grunn av variasjonen i bildekvalitet, forskjeller i erfaring og iboende subjektivitet.

For å løse disse problemene, presenterer kunstig intelligens en lovende løsning. Derfor har denne studien som mål å utvikle en dyp læringsmodell for gradering av CTS ved å utnytte multimodale bildefunksjoner, inkludert B-modus ultralyd, suveren mikrovaskulær avbildning (SMI) og elastografi. I tillegg har etterforskerne til hensikt å validere modellens effektivitet ved å teste den med bilder fra ulike kliniske sentre, for å sikre dens generaliserbarhet på tvers av ulike kliniske omgivelser.