フリンジ・プロジェクションの3次元画像を用いた青少年のイディオパシー・スコリオシスの分類と予測のためのマルチタスク学習

科学分野:

• 整形学と生体力学
• 医療用イメージング
• 医療における人工知能

背景:

• Adolescent idiopathic scoliosis (AIS) の評価は,伝統的に放射線画像に依拠しており,放射線被曝によるリスクがあります.
• 現在の診断モデルでは 単一タスクの学習が用いられていて 脊髄の変形の複雑な幾何学的な特徴を 完全に捉えることはできません
• 現在の方法の限界は,AISの非侵襲的でより正確な診断ツールの開発を必要としています.

研究 の 目的:

• 青少年のイディオパシー脊椎病 (AIS) の評価のための非侵襲的,放射線のない診断枠組みを開発する.
• 脊髄の変形を評価する際に放射線画像と単一タスクの学習モデルの限界を克服する.
• コブ角,曲線型,曲線方向を同時に予測できるマルチタスクの ディープラーニングモデルを作成します

主な方法:

• フリンジプロジェクション3Dイメージングで得られた構造化された背面データを利用した.
• 多タスクのディープラーニングモデルを開発し,コブの角度,曲線タイプ (胸部,腰部,混合,無),曲線方向 (左,右,無) を予測しました.
• このモデルは,同時に予測を行うために,表面データから共有された形態学的特徴を学びました.

主要な成果:

• マルチタスクモデルでは,コブ角予測の平均絶対誤差 (MAE) が2. 9°,根平均平方誤差 (RMSE) が6. 9°となり,単一タスクベースライン (5. 4°MAE, 12. 5°RMSE) を大幅に上回った.
• 放射線測定と強い相関を示した (R=0. 96,R2=0. 91).
• 曲線分類の高い感度 (腰部型/混合型では89%,右型では80%,左型では75%) と,ポジティブな予測値 (右側型では87%) を達成した.

結論:

• マルチタスクモデルでの共同学習に関連する臨床作業は,AIS評価のための表面データからより堅固な幾何学的な特徴を抽出することを可能にします.
• 提案されているマルチタスクの学習フレームワークは,従来のシングルタスクのアプローチと比較して,より高い精度と安定性を提供しています.
• この非侵襲的な放射線のない方法は 脊椎病のスクリーニングとモニタリングの 安全で効率的な代替手段であり 臨床応用の可能性もあります