在基于深度学习的EOS放射图上识别脊柱生长潜力
Lin-Zhen Xie1,2,3, Xin-Yu Dou1,4, Teng-Hui Ge1,2,3
1Peking University Fourth School of Clinical Medicine, Beijing, China.
European radiology
|October 17, 2023
概括
一个新的深度学习算法可以自动评估EOS放射图的脊柱生长潜力,匹配或超过临床医生的表现. 这种高效的工具帮助医生在临床实践中.
科学领域:
- 放射学和成像学 放射学和成像学
- 人工智能在医学中的应用
- 整形外科 整形外科 整形外科
背景情况:
- 评估脊柱生长潜力对于管理脊柱状况至关重要.
- 目前的方法依赖于手动解释EOS射线图,这可能是耗时的.
- 需要自动化,客观的工具来帮助临床医生.
研究的目的:
- 开发和验证一种深度学习 (DL) 算法,用于自动评估从EOSX射线图上获得的脊柱生长潜力和Risser标志.
- 将DL算法的性能与人类临床医生的性能进行比较.
主要方法:
- 使用3383个EOS案例开发了一个DL算法,用于培训和测试.
- 该算法在另外440个案例中得到了验证.
- 绩效与四位临床医生进行了比较,使用了卡帕值,准确性和尤登指数等指标.
主要成果:
- DL算法实现了Risser标志的加权kappa为0.933,脊柱生长潜力的加权kappa为0.944,与临床医生 (0.909-0.930和0.911-0.934,分别) 相似.
- 该算法显示了比最好的临床医生更高的准确性 (0.973) 和Youden指数 (0.952).
- DL算法明显更快 (15.2秒/40个案例) 比临床医生 (177.2241.2秒/40个案例).
结论:
- 在评估脊柱生长潜力方面,DL算法表现与临床医生相比或优于临床医生.
- 开发的算法是稳定的,高效的,方便的,提供了一个有前途的方法来协助临床医生.
- 这种自动化方法可以从EOS射线图中快速确定脊柱生长潜力,帮助忙碌的临床医生.
