目的 探讨一种基于深度卷积神经网络(deep convolutional neural network, DCNN)的肌骨超声图像分析在肌筋膜疼痛综合征(myofascial pain syndrome, MPS)智能诊断中的应用效果。
方法 选取2021年5月至2025年6月于本院就诊的500例颈肩背痛患者为研究对象,采集其肌骨超声影像资料。剔除不合格图像后,最终纳入481例患者的1 692幅超声图像,以此构建图像数据集,3名主治医师对图像进行标记。将数据集分为训练集和测试集,分别有1 383张、309张肌骨超声图像,采用深度学习算法构建诊断模型(DCNN1、DCNN2、DCNN3),检测模型识别活跃性、潜伏性肌筋膜触发点(myofascial trigger points, MTrPs)的准确率。另外选取200张独立于数据库的可用的颈肩背痛患者的肌骨超声检查图像,由3位主任超声医师进行评估,记录耗时,并与模型诊断结果进行比较。再选取独立于数据库的另外130张可用的颈肩背痛患者的肌骨超声检查图像,由6位超声住院医师在模型辅助前后分别对图像进行评估,对前后两次的诊断结果进行比较。
结果 DCNN3模型诊断活跃性、潜伏性MTrPs的准确率分别为0.983、0.876。模型识别活跃性MTrPs与潜伏性MTrPs的准确率与3位主任医师诊断水平相当,模型评估图像的耗时明显短于主任医师(P<0.05)。经模型辅助后,住院医师对图像诊断的准确率明显提高,诊断图像的耗时显著减少(P<0.013)。
结论 该智能评估模型诊断活跃性、潜伏性MTrPs的准确率较高,且能明显提高诊断效率,能有效辅助临床医师对颈肩背部MPS进行正确评估。