通过深度学习建立和验证骨矿物质密度预测模型的可靠性,作为女性的检查工具
Wei- Chieh Hung1,2,3, Yih-Lon Lin4, Tien-Tsai Cheng5
1Department of Family Medicine and Community Medicine, E-Da Hospital, I-Shou University, Kaohsiung, Taiwan.
概括
深度学习 (DL) 模型为骨折风险评估提供了可靠的替代方案,当骨矿物质密度 (BMD) 测量不可用时. 这些模型可以帮助减少治疗不足和过度治疗,改善骨质疏松症查.
科学领域:
- 骨质疏松症和骨折风险评估 骨质疏松症和骨折风险评估
- 医疗成像和人工智能的人工智能
- 公共卫生和骨密度查
背景情况:
- 骨折风险评估工具 (FRAX) 通过DXA与骨矿物密度 (BMD) 结合,提供精确的骨折风险预测.
- DXA的可访问性和成本限制了其在骨折风险评估中的广泛使用.
- 深度学习 (DL) 模型为估计骨质量和查高风险患者提供了潜在的替代方案.
研究的目的:
- 确定基于DL的模型可靠性,作为查骨折和骨质疏松症高风险患者的替代工具.
- 将DL估计的BMD与DXA测量的性能进行比较.
- 评估基于DL的高骨折风险预测模型与使用BMD的传统FRAX得分相比.
主要方法:
- 开发了DL模型来预测T-score和BMD值 (腰椎,全部,大腿部).
- 布兰德-阿尔特曼分析评估了DL预测和DXA测量之间的一致性.
- 使用DL估计的BMD和没有BMD的FRAX创建了高骨折风险的预测模型,然后与具有BMD的FRAX进行比较.
主要成果:
- DL模型在预测BMD和T分数方面表现出高准确性,平方根平均值误差很低.
- 布兰德-阿尔特曼分析显示DL预测和DXA之间没有显著差异.
- 基于DL的分类模型实现了83.5%的准确性和0.913的AUROC,超过了没有BMD的FRAX.
结论:
- 基于DL的模型为骨折风险和骨质疏松症查提供了可靠的替代方案,特别是当BMD测量不可行时.
- 这些经过验证的DL模型可以帮助减少错误分类,从而导致更合适的患者治疗.
- 该研究支持在临床实践中使用DL工具进行高效和可访问的高风险骨折查.
