SCOLIONET:使用增强的X射线图像和深度学习模型进行自动化的脊椎病科布角量化

科学领域:

• 医疗成像医学成像
• 医疗保健中的人工智能
• 脊柱疾病 脊柱疾病

背景情况:

• 传统的脊椎形评估依赖于人类的专业知识,导致主观和不一致的测量.
• 及时和可靠的医疗预后对于有效的患者护理至关重要.
• 手动科布角测量的变化可能会影响治疗决策.

研究的目的:

• 开发和验证一个由人工智能驱动的系统 (SCOLIONET),用于精确的科布角测量.
• 为了解决与手动脊椎形评估相关的不一致性.
• 提高脊柱体检查的速度和可靠性.

主要方法:

• 设计了一个使用卷积神经网络的SCOLIONET架构.
• 采用状空间金字塔聚合来增强脊椎的图像细分.
• 通过将其测量结果与医生手动评估进行比较,验证了AI模型.

主要成果:

• 实现了高细分精度:97.50% (索伦森-迪斯) 和96.30% (交叉路口在欧盟).
• 在人工智能测量和医生评估之间显示了微不足道的差异 (p值 = 0.1713).
• 在人工和人工智能测量之间报告了2.86度的平均可接受偏差.

结论:

• SCOLIONET提供准确可靠的科布角测量,与专家医生相美.
• 人工智能方法可以更快,更一致地检查脊椎病.
• 这项技术有可能显著提高脊柱病患者护理的质量.