从单边扩展到双边:一个强大的基于深度学习的方法来预测放射性骨关节炎进展
Rui Yin1, Hao Chen2, Tianqi Tao3
1Nanjing Medical University, Nanjing, China; Department of Sports Medicine and Joint Surgery, Nanjing First Hospital, Nanjing, China.
Osteoarthritis and cartilage
|December 19, 2023
概括
一个新的深度学习模型,BikNet,使用双侧膝盖X射线有效预测骨关节炎的进展. 这种工具提高了临床医生的诊断准确性和可靠性,为疾病评估提供了一个有前途的生物标志物.
科学领域:
- 放射学 放射学是一门学科.
- 人工智能的人工智能
- 生物标志物 生物标志物
背景情况:
- 骨关节炎 (OA) 是一种具有重大公共卫生影响的退行性关节疾病.
- 准确预测OA进展对于及时干预和管理至关重要.
- 当前的诊断方法通常依赖于单方面成像,可能会丢失有价值的信息.
研究的目的:
- 开发和验证一个深度学习 (DL) 模型来预测关节炎 (OA) 的进展.
- 使用双边膝关节视图来提高预测准确度.
- 将新型DL模型的性能与现有的单边方法进行比较.
主要方法:
- 来自骨关节炎倡议的双边膝盖放射图的回顾性分析.
- 双边膝关节神经网络 (BikNet) 的开发,使用培训/验证分割.
- BikNet与DenseNet和ResNext (单边模型) 在独立测试集上的比较.
- 使用曲线下面面积 (AUC) 和阅读器测试评估诊断性能.
主要成果:
- 比克网显著优于单边模型 (ResNext,DenseNet) 的表现,AUC为0.761和0.745.
- 该模型在预测事件OA时表现出更好的灵敏度和特异性.
- BikNet的整合提高了临床医生之间的观察者间可靠性.
结论:
- 使用双边膝盖视图的深度学习模型显示了OA评估的前景.
- 与单边模型相比,BikNet在预测OA进展方面提供了更大的稳定性.
- BikNet 作为一个潜在的成像生物标志物,用于预测骨关节炎的进展.
