自動化されたオブジェクト検出モデルを用いた全領域肢X線写真における様々な骨腫瘍の検出と分類のためのディープラーニングモデルの開発と評価
Masashi Yamana1,2, Ryoma Bise2, Makoto Endo1
1Department of Orthopaedic Surgery, Graduate School of Medical Sciences, Kyushu University, Fukuoka, Japan.
Bone & joint research
|September 1, 2025
まとめ
ディープラーニングモデル"Detection with transformers with Improved deNoising anchOr boxes (DINO) "では,YOLOと比較して骨腫瘍の検出が改善されています. DINOは,臨床医がX線写真で骨腫瘍を正確に検出し,分類するのに役立ちます.
科学分野:
- 整形腫瘍学
- 放射線科
- 医療における人工知能
背景:
- X線写真による骨腫瘍の正確な検出と分類は,患者の管理に不可欠です.
- 現在の診断プロセスは専門家の解釈に大きく依存しており,これは時間がかかり,観察者間の変動が伴います.
研究 の 目的:
- 完全自動化された深層学習モデルを開発し,四肢のX線写真で良性および悪性骨腫瘍を検出し,分類する.
- 整形外科医と整形外科医との比較で 自動化されたモデルの分類性能を比較する.
主な方法:
- 3つの機関から642の肢骨腫瘍を遡及的に分析した.
- エンドツーエンドのオブジェクト検出モデル,改善された消音アンコールボックス (DINO) とYou Only Look Once (YOLO) のトランスフォーマーによる検出が採用されました.
- モデルトレーニング,パラメータ最適化,性能評価のために5倍クロス検証が使用されました.
主要な成果:
- DINOモデルは,YOLOモデル (80. 1%) よりも高い平均腫瘍検出率を達成しました.
- 一般的な整形外科医と比較して,DINOの精度と感度が著しく高かった.
- DINOモデルは,複数の臨床医によって誤って分類された困難な症例を成功裏に分類しましたが,診断が困難または異常な位置の腫瘍ではエラーが発生しました.
結論:
- DINOモデルはYOLOよりも 骨の腫瘍を自動的に検出します
- このディープラーニングのアプローチは,臨床実務における骨腫瘍の検出と分類を臨床医に支援する可能性があることを示しています.
