Искусственный интеллект на основе ультразвука для классификации синдрома запястного канала

Синдром запястного канала (КТС) является одной из наиболее распространенных периферических невропатий, от которой страдают примерно 4% населения в целом. Обычно выделяют три степени: легкую, среднюю и тяжелую. Точная классификация синдрома запястного канала (CTS) необходима для определения подходящих вариантов лечения, тем самым играя решающую роль в оптимизации результатов лечения пациентов. Электрофизиологическое тестирование (EST) является ключевым параметром для оценки синдрома запястного канала (CTS). Однако он ограничен несколькими факторами, включая его инвазивный характер, плохую воспроизводимость и пониженную чувствительность для выявления ранних стадий заболевания. В последнее время ультразвуковое исследование получило широкое признание среди клиницистов для оценки и классификации CTS. Тем не менее, рентгенологи часто сталкиваются с проблемами в этом процессе из-за вариативности качества изображений, различий в опыте и присущей субъективности.

Для решения этих проблем искусственный интеллект представляет собой многообещающее решение. Таким образом, данное исследование направлено на разработку модели глубокого обучения для оценки CTS путем использования функций мультимодальной визуализации, включая ультразвук в B-режиме, превосходную микрососудистую визуализацию (SMI) и эластографию. Кроме того, исследователи намерены проверить эффективность модели, протестировав ее на изображениях из различных клинических центров, гарантируя ее возможность обобщения в различных клинических условиях.