一项关于基于CT图像进行骨密度分类和预测的深度学习模型是否可用于机会性骨质疏松症查的研究
Tao Peng1, Xiaohui Zeng2, Yang Li3
1Department of Radiology, Affiliated Hospital of Chengdu University, 82 2Nd N Section of Second Ring Rd, Chengdu, 610081, Sichuan Province, China. pengtao919@163.com.
概括
深度学习模型准确地分类骨质疏松症,并从CT扫描中预测骨密度. 这种方法有望扩大骨质疏松症查和减少辐射暴露.
科学领域:
- 放射学和医学成像学 医学成像学
- 医疗保健中的人工智能
- 骨健康研究 骨健康研究
背景情况:
- 骨质疏松症是一个重大的公共卫生挑战,需要有效的查方法.
- 目前的骨质疏松症诊断通常依赖于DXA或QCT等专业成像,这些成像可能无法普遍获得.
- 机会性CT扫描,通常用于其他医疗原因,为广泛的骨密度评估提供了潜在的途径.
研究的目的:
- 开发和验证用于骨质疏松症分类和骨密度预测的深度学习模型,使用机会性CT扫描.
- 评估这些模型的概括能力和诊断性能在来自不同临床环境的独立测试集上.
- 探索将骨密度评估整合到常规CT成像工作流程中的可行性.
主要方法:
- 使用了1219次机会性CT扫描的数据集,QCT作为参考标准.
- 开发了深度学习模型,包括用于骨段的VB-Net和用于分类和回归的DenseNet.
- 模型在不同的数据集上进行训练和测试,一个独立的测试集包括来自三个不同的医院和四台CT扫描仪的数据.
主要成果:
- 该分类模型在区分正常,骨质疏松症和骨质疏松症方面实现了高AUC (0.933在独立集合上).
- 骨密度预测模型与独立测试组的QCT值显示出强烈的相关性 (Pearson r=0.94).
- 独立测试组的性能指标包括0.815的准确性和0.798的F1分数用于分类,骨密度预测的平均绝对误差为10.257.
结论:
- 应用到机会性CT扫描的深度学习可以准确地分类骨质疏松症并预测骨密度.
- 这种人工智能驱动的方法有可能显著扩大骨质疏松症查范围.
- 该方法提供了一个有希望的解决方案,以减少与传统骨密度测量相关的辐射风险,成本和时间.
