深度学习算法用于自动测量异常学脊椎病患者的科布角
Ming Xing Wang1, Jeoung Kun Kim1, Jin-Woo Choi2
1Department of Business Administration, School of Business, Yeungnam University, Gyeongsan-Si, Republic of Korea.
概括
一个新的深度学习模型自动测量脊椎结节的科布角,显著减少测量变化和错误. 这种人工智能工具为临床实践提供了卓越的可靠性.
科学领域:
- 医疗成像医学成像
- 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:
- 科布角对于脊柱脊椎病的评估至关重要,但在观察者之间和观察者内部存在很高的变化.
- 测量不一致性可能来自于脊椎识别和测量技术的变化.
研究的目的:
- 开发和验证用于自动化科布角测量的深度学习模型.
- 为了提高脊椎病进展跟踪的准确性和一致性.
主要方法:
- 一个深度学习模型在227张脊柱放射图上受训,并在70张图像上得到验证.
- 该模型自动识别脊椎并计算科布角.
- 绩效使用绝对误差和类内相关系数 (ICC) 来评估.
主要成果:
- 该模型的平均绝对误差为1.97° (SD 1.57°).
- 95.9%的测量有5°以下的绝对误差.
- 一个优秀的0.981的ICC显示了高可靠性.
结论:
- 开发的深度学习模型为临床脊椎病评估提供了一个可靠和潜在的有价值的工具.
- 自动化科布角测量可以减轻临床医生的工作量.
- 建议进行进一步的研究,以提高模型的准确性和适用性.
