深度增生症:深度学习用于骨龄评估,已在骨失调症上得到验证
Sebastian Rassmann1, Alexandra Keller2, Kyra Skaf3
1Institute for Genomic Statistics and Bioinformatics, University Hospital Bonn, Venusberg-Campus 1 Building 11, 2nd Floor, 53127, Bonn, Germany.
Pediatric radiology
|November 12, 2023
概括
深度学习 (Deeplasia) 是一种新型的深度学习工具,可以准确地评估患有骨失调症的儿童的骨年龄 (BA). 这种自动化方法有助于监测生长和定时治疗这些罕见的遗传疾病.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 儿科内分泌学 儿科内分泌学
背景情况:
- 骨发育不良是一种导致生长异常的遗传疾病,需要准确的骨年龄 (BA) 评估才能进行治疗.
- 手动的BA评估是耗时的,容易变化,特别是在严重骨发育不良的患者中.
- 现有的自动化BA方法对于患有骨功能障碍的儿童缺乏验证.
研究的目的:
- 开发和验证一种自动化的深度学习方法,用于对患有骨功能障碍的儿童的骨年龄进行评估.
- 为监测生长和指导罕见骨疾病患者的干预提供可靠的工具.
- 解决手动BA评估在时间和准确性方面存在的局限性.
主要方法:
- 开发了Deeplasia,这是一个开源的,以前没有使用卷积神经网络的深度学习模型组合.
- 在一个大型的公共数据集 (RSNA) 中训练并验证了该模型,其中包括12611张手和手腕放射.
- 在一组追溯的568张X射线图中测试了表现,这些X射线图来自189名确诊骨失调的患者.
主要成果:
- 在一般的RSNA测试组中,Deeplasia实现了平均绝对差异3.87个月.
- 该模型在骨发育不良队列中显示出平均绝对差异为5.84个月.
- 对纵向数据的试验-重复试验精度为2.74个月,与人类专家相比.
结论:
- 深血症是评估典型和缺血儿科儿童群体骨年龄的有效工具.
- 该模型可以有效地监测骨发育,有助于对与生长有关的疾病的临床决策.
- 这种自动化方法提供了一个有希望的解决方案,以提高BA评估在罕见的骨条件的效率和准确性.
