在部磁共振成像上训练的深度学习算法,用于预测从部前性狭窄症引起的根部疼痛的跨外围注射类固醇注射的结果
Ming Xing Wang1, Jeoung Kun Kim1, Min Cheol Chang2
1Department of Business Administration, School of Business, Yeungnam University, Gyeongsan-si, Republic of Korea.
Journal of pain research
|August 1, 2023
概括
使用宫MRI图像的深度学习模型可以预测宫前狭窄症的转外皮类固醇注射 (TFESI) 的成功. 这种卷积神经网络 (CNN) 方法有助于预测根性疼痛的治疗结果.
科学领域:
- 放射学 放射学是一门学科.
- 人工智能的人工智能
- 脊柱外科手术 脊柱外科手术
背景情况:
- 椎根性疼痛通常用跨膜外周类固醇注射 (TFESI) 治疗.
- 预测TFESI对宫前狭窄的治疗结果仍然具有挑战性.
- 深度学习 (DL) 模型,特别是卷积神经网络 (CNN),在医学图像分析中表现有前途.
研究的目的:
- 开发和评估一个CNN模型来预测宫TFESI的治疗结果.
- 使用宫轴磁共振成像 (MRI) 数据来预测结果.
- 评估模型在患有宫前狭窄症的患者中的性能.
主要方法:
- 对288名经过TFESI的宫前狭窄症患者进行了回顾性研究.
- 输入数据包括单个T2轴脊柱MRI图像,在最窄的神经孔隙宽度.
- 治疗结果定义为TFESI后2个月NRS得分减少≥50%.
主要成果:
- 开发的CNN模型实现了0.801的曲线下面积 (AUC),用于预测治疗结果.
- 这表明模型具有显著的预测能力.
结论:
- 在宫轴性MRI数据上训练的CNN模型可以有效地预测宫TFESI后的治疗结果.
- 这种人工智能驱动的方法可能有助于临床医生在选择患者和治疗宫根性疼痛的治疗计划.


