使用基于MR的深度学习算法精确区分脊柱结核病和脊柱转移
Shuo Duan1, Weijie Dong2, Yichun Hua3
1Department of Orthopaedic Surgery, Beijing Tiantan Hospital, Capital Medical University, Beijing, People's Republic of China.
Infection and drug resistance
|July 10, 2023
概括
深度学习模型使用MRI扫描准确地区分脊柱结核病和脊柱转移. 这些人工智能工具的诊断性能与经验丰富的脊椎外科医生相美.
科学领域:
- 放射学 放射学是一门学科.
- 人工智能的人工智能
- 脊柱成像 - 脊柱成像 - 脊柱成像
背景情况:
- 脊柱结核病 (STB) 和脊柱转移 (SM) 在MRI上呈现类似的成像特征,使诊断复杂化.
- 准确的区分对于适当的治疗和患者的结果至关重要.
研究的目的:
- 为了评估深度学习 (DL) 模型在区分STB和SM中的有效性,使用T2斜MRI图像.
- 将DL模型的诊断性能与经验丰富的脊椎外科医生进行比较.
主要方法:
- 来自四个机构的121名确诊的STB或SM患者的回顾性分析.
- 开发和验证四个DL模型 (MVITV2,EfficientNet-B3,ResNet101,ResNet34) 使用T2角MRI.
- 使用准确度,F1分数和AUC评估模型性能;外部验证和与脊椎外科医生诊断进行比较.
主要成果:
- MVITV2 DL模型实现了最高的内部验证性能 (ACC: 98.7%,F1: 98.6%,AUC: 0.98) 和外部测试性能 (ACC: 91.9%,F1: 91.5%,AUC: 0.95).
- 与经验较少的外科医生 (73.7%) 相比,DL模型显示出更高的诊断准确性,并且接近经验丰富的外科医生 (88.9%).
- 梯度类激活地图可视化了高维特征,有助于模型的解释性.
结论:
- 应用到T2角MRI的深度学习模型可以有效地区分STB和SM.
- 这些DL模型的诊断性能与经验丰富的脊椎外科医生的诊断性能相当,为临床决策提供了宝贵的工具.
