基于人工智能的自动检测和稳定性分析创伤性脊椎体骨折在计算机断层扫描上

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:

• 脊椎体骨折很常见,可能导致不稳定.
• 准确的检测和稳定性评估对于患者管理至关重要.
• 目前的方法依赖于手动解释,这可能是耗时和主观的.

研究的目的:

• 开发和评估一种新型的神经网络,用于CT自动检测脊椎体骨折.
• 评估网络在同时分析断裂稳定性的能力.
• 为了提高脊椎骨折评估的效率和准确性.

主要方法:

• 开发了一种深度学习模型,将层次卷积神经网络 (hNet) 和断裂分类网络 (fNet) 结合起来.
• 该网络通过对257名患者的CT扫描进行训练和测试,其中包括463名骨折和1883名非骨折的脊椎体.
• 绩效评估包括和不包括C1/2脊椎水平.

主要成果:

• 神经网络在检测骨折和评估稳定性方面实现了高诊断性能.
• 除了C1/2水平之外,性能略有改善.
• 骨折检测的灵敏度和特异性分别为75.8%和80.3%.
• 稳定性分析的灵敏度和特异性分别为88.4%和80.3%.
• 曲线下的面积 (AUC) 值为检测的87%,稳定性分析的91%.

结论:

• 开发的神经网络有效地自动检测和稳定性分析的CT脊椎体骨折.
• 人工智能工具显示出高诊断性能,为临床应用提供了有前途的解决方案.
• 这项技术有可能提高脊柱骨折评估的工作流程.