脊椎骨质疏松性压缩骨折的深度学习分类的概括性在放射图上使用修改-2算法基础的定性标准的调整
Qifei Dong1, Gang Luo1, Nancy E Lane2
1Department of Biomedical Informatics and Medical Education, University of Washington, Seattle, Washington (Q.D., G.L., B.C.C.).
Academic radiology
|July 12, 2023
概括
一个深度学习模型准确地识别了脊椎骨质疏松性压缩骨折 (OCFs) 在放射图上. 这种工具对机会性骨质疏松症查有希望,有助于早期诊断和治疗.
科学领域:
- 放射学 放射学是一门学科.
- 人工智能的人工智能
- 骨质疏松症研究 骨质疏松症研究
背景情况:
- 脊椎骨质疏松性压缩骨折 (OCF) 是骨质疏松症的早期指标,但经常被忽视.
- 早期诊断和治疗对于治疗骨质疏松症至关重要.
研究的目的:
- 为OCFs开发一个深度学习的脊椎体分类器.
- 为骨质疏松症自动机会性查工具创建一个组件.
主要方法:
- 对当地 (1790名受试者) 和男性骨质疏松性骨折 (MrOS) 研究 (5994名男性) 数据集的回顾性分析.
- 训练五个深度学习算法,在脊椎放射图上对脊椎体进行分类.
- 使用AUC-ROC,灵敏度,特异性和PPV进行模型性能比较.
主要成果:
- 最好的整体平均模型实现了0.948 (本地) 和0.936 (MrOS) 的AUC-ROC.
- 该模型针对PPV进行了优化,显示了高特异性 (99.7%和99.6%) 和PPV (89.8%和94.8%).
结论:
- 深度学习模型在独立数据集上表现强 (AUC-ROC>0.90).
- 该模型在机会性骨质疏松症查中表现出对现实世界的临床使用的概括性.


