利用DCNN模型对胸部CT进行机会性骨质疏松症查的有效性

科学领域:

• 医疗成像医学成像
• 医疗保健中的人工智能
• 放射学 放射学是一门学科.

背景情况:

• 骨质疏松症查对于预防骨折至关重要.
• 目前的查方法可能是侵入性的或昂贵的.
• 利用现有的胸部CT扫描来进行机会性查是可取的.

研究的目的:

• 开发和评估一种深度学习模型,用于使用胸部CT进行骨质疏松症查.
• 用合的腰椎 (L1+L2) 功能来评估模型的性能.
• 探索使用第一个腰椎 (L1) 单独用于查的可行性.

主要方法:

• 通过使用子相似系数 (DSC) 训练和评估了一个深度学习细分模型.
• 开发了两个分类模型:模型1 (L1+L2融合特征) 和模型2 (仅L1).
• 用接收器操作特征 (ROC) 曲线和德隆测试来评估诊断效果.

主要成果:

• 细分模型实现了0.951 ± 0.030.03的高DSC.
• 模型1实现了0.990 (正常),0.952 (骨质疏松症) 和0.980 (骨质疏松症) 的AUC.
• 模型2实现了0.983 (正常),0.940 (骨质疏松症) 和0.978 (骨质疏松症) 的AUC,正常病例的AUC显著更高 (P=0.033).

结论:

• 使用胸部CT的深度学习模型在机会性骨质疏松症查方面表现良好.
• 仅使用L1脊椎的模型显示了可比的有效性,并提供了潜在的好处.
• 仅使用L1可以缩短扫描长度,减少辐射剂量,降低培训成本.