基于特征的广泛学习系统的开发和验证,用于利用腰椎脊椎放射图进行机会性骨质疏松症查
Bin Zhang1, Zhangtianyi Chen2, Ruike Yan1
1Department of Radiology, The First Affiliated Hospital of Jinan University, No. 613 Huangpu West Road, Tianhe District, Guangzhou, Guangdong 510627, China (B.Z., R.Y., J.Y., X.W., S.Z.).
Academic radiology
|July 26, 2023
概括
人工智能现在可以使用标准的腰椎X射线选骨质疏松症. 使用放射性特征的新型广泛学习系统 (BLS) 显示出高精度,为这种未被确诊的疾病提供了潜在的解决方案.
科学领域:
- 放射学 放射学是一门学科.
- 人工智能的人工智能
- 医疗成像医学成像
背景情况:
- 骨质疏松症的诊断依赖于双能X射线吸收计 (DXA),该方法未得到充分利用,导致广泛的诊断不足.
- 需要一种机会性骨质疏松症查方法来提高检测率.
研究的目的:
- 开发和评估一种人工智能 (AI) 模型,用于使用腰椎X射线扫描进行机会性骨质疏松症查.
- 为了比较使用放射性特征与深度特征的AI模型的性能.
主要方法:
- 一项回顾性研究包括年龄≥50岁的女性患者,对腰椎进行X射线和DXA扫描.
- 开发了一个新的广泛学习系统 (BLS),对放射性特征和深度特征 (使用ResNet18和VGG11提取) 进行训练的模型.
- 用曲线下的面积 (AUC),灵敏度和特异性来评估模型性能.
主要成果:
- 与基于深度特征的模型相比,基于放射性特征的BLS模型表现出更高的性能.
- 放射性BLS模型实现了测试AUC为0.802,灵敏度为78.2%,特异性为82.2%.
结论:
- 提出的基于放射性特征的BLS模型显示了扩大骨质疏松症查的巨大潜力.
- 这种人工智能方法可以从腰椎X射线影像中识别骨质疏松症,解决诊断中的关键差距.


