一个基于CT的深度学习模型,用于预测部骨折患者随后的骨折风险
Yisak Kim1, Young-Gon Kim1, Jung-Wee Park1
1From the Interdisciplinary Program in Bioengineering (Y.K., Y.S.) and Integrated Major in Innovative Medical Science (Y.K.), Seoul National University Graduate School, Seoul, Republic of Korea; Department of Radiology (Y.K.), Transdisciplinary Department of Medicine & Advanced Technology (Y.G.K., B.W.K., Y.S.), and Department of Internal Medicine (J.H.K., C.S.S.), Seoul National University Hospital, Seoul, Republic of Korea; Departments of Orthopaedic Surgery (J.W.P., Y.K.L.) and Internal Medicine (S.H.K.), Seoul National University Bundang Hospital, 82 Gumi-ro 173 Beon-gil, Bundang gu, Seongnam, Republic of Korea; Departments of Medicine (Y.G.K.) and Internal Medicine (S.H.K., J.H.K., S.W.K., C.S.S.), Seoul National University College of Medicine, Seoul, Republic of Korea; and Department of Internal Medicine, Seoul National University Boramae Hospital, Seoul, Republic of Korea (S.W.K.).
一个新的深度学习模型使用CT扫描预测部骨折患者的短期随后骨折风险. 这种人工智能工具在识别高风险个体以进行早期干预方面表现有前途.
科学领域:
- 放射学 放射学是一门学科.
- 人工智能的人工智能
- 整形外科 整形外科 整形外科
背景情况:
- 患有关节骨折的患者面临后续骨折的高风险,特别是在受伤后的最初几年.
- 缺乏预测短期骨折风险的现有模型.
- 早期识别高风险患者对于及时干预至关重要.
研究的目的:
- 开发和验证深度学习 (DL) 模型,用于预测短期的随后骨折风险.
- 利用从部CT扫描中数字重建的放射图 (DRR) 来进行风险预测.
- 评估DL模型的性能与现有方法相比.
主要方法:
- 一项回顾性研究包括了患有关节骨折的成年患者,他们接受了关节CT.
- 从3D部CT数据生成二维DRR.
- 使用DenseNet模块开发了一个集体DL模型来预测断裂概率.
主要成果:
- DL整体模型在预测后续骨折方面表现强.
- 该模型实现了0.73的C指数,2年,3年和5年的AUC分别为0.74,0.74和0.73.
- 性能超过了传统的基于图像和临床风险模型.
结论:
- 开发的DL模型显示了预测部骨折患者短期后续骨折的巨大潜力.
- 从部CT中利用DRR提供了一种用于骨折风险评估的新方法.
- 这种人工智能驱动的工具可以帮助临床医生识别有风险的患者进行预防策略.
