从膝关节进行自动骨年龄评估,通过整合深度学习和基于MRI的放射学

科学领域:

• 放射学 放射学是一门学科.
• 人工智能的人工智能
• 医疗成像医学成像

背景情况:

• 传统的骨年龄评估 (BAA) 方法存在辐射暴露的风险.
• 需要非侵入性和自动化的BAA技术.
• 多参数膝盖MRI为高级分析提供了丰富的数据.

研究的目的:

• 开发和评估一种深度学习放射学方法,用于使用多参数膝盖MRI进行非侵入性和自动化的BAA.
• 将深度学习模型的性能与传统机器学习方法进行比较.
• 评估模型在不同年龄组和值的准确性.

主要方法:

• 一项对598名患者 (年龄为10.00-29.99岁) 的回顾性研究,使用膝盖MRI (T1WI,T2*WI,PDWI).
• 用三维卷积神经网络 (3D CNN) 来提取和融合放射性特征以估计年龄.
• 深度学习模型与使用手工制作的功能传统的机器学习模型进行了比较.

主要成果:

• 3D CNN模型在10-25岁的年龄段实现了1.32±1.01年的平均绝对误差.
• 对于关键年龄值,分类准确度和AUC分别超过0.91和0.96.
• 该模型的准确性高于其他MRI模式和手工制作的特征模型,对于25岁以上的人来说,存在限制.

结论:

• 深度学习放射学能够通过多模式膝盖MRI进行非侵入性和自动化骨年龄评估.
• 3D CNN方法显示了协助放射科医生和医疗法律专家估计年龄的潜力.
• 在25年以上的个体中,准确的BAA可能需要进一步细化.