为了在常规计算机断层扫描 (CT) 中更好地识别脊椎骨折:开发和外部验证机器学习算法
Joeri Nicolaes1,2, Michael Kriegbaum Skjødt3,4, Steven Raeymaeckers5
1Department of Electrical Engineering (ESAT), Center for Processing Speech and Images, KU Leuven, Leuven, Belgium.
概括
机器学习在CT扫描中准确地识别脊椎骨折 (VF),帮助早期发现骨质疏松症. 该算法支持医疗保健专业人员预防未来的脆弱性骨折.
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
- 骨健康和骨质疏松症
背景情况:
- 脊椎骨折 (VFs) 是常见的骨质疏松症指标,在计算机断层扫描 (CT) 扫描中经常错过.
- 未被检测到的VF有助于显著的患者发病率和死亡率.
- 常规CT扫描中的当前识别方法存在局限性.
研究的目的:
- 开发和评估用于检测腹部/胸部CT扫描中的VF的机器学习 (ML) 算法.
- 在独立的外部验证数据集上评估算法的性能.
- 探索ML在改善VF识别和骨质疏松症管理方面的潜力.
主要方法:
- 从50岁以上的患者获得了两组常规腹部/胸部CT扫描的独立数据集 (n=1011培训,n=2000验证).
- 通过交叉验证训练了四个ML模型,并创建了一个整体模型.
- 与Genant半定量分级 (SQ) 验证组合模型,用于参考标准VF读数.
主要成果:
- 机器学习组合模型实现了接收器运行特征曲线 (AUROC) 下的面积为0.88.
- 高性能指标包括精度 (0.92),卡帕 (0.72),灵敏度 (0.81),和特异性 (0.95).
- 该算法在外部验证集上在识别中度至重度VF方面表现出强的表现.
结论:
- 机器学习算法可以在CT扫描中有效检测脊椎骨折.
- 开发的算法显示出有很大的潜力,可以帮助医疗保健专业人员在早期的VF识别.
- 改进的VF检测可以导致及时干预和预防随后的脆弱性骨折.
