基于深度学习的自动评估脊椎病科布角的临床应用

科学领域:

• 放射学 放射学是一门学科.
• 医疗成像医学成像
• 人工智能的人工智能

背景情况:

• 深度学习模型显示,可用于自动化科布角测量,用于结直结节的诊断.
• 这些模型的临床验证和外部评估是有限的.

研究的目的:

• 评估用于科布角测量的自动深度学习模型的临床实用性.
• 将深度学习模型的性能与医生手动测量的性能进行比较.

主要方法:

• 利用来自开源数据集的481张脊柱放射和来自私人数据集的119张脊柱放射进行培训,验证和测试.
• 将深度学习模型 (Seg4Reg,VFLDN) 与三个医生的手动测量进行比较,使用ICC,PCC,Bland-Altman和Kappa统计数据.

主要成果:

• 该VFLDN模型实现了高可靠性 (ICC=0.974) 和与手动测量有很强的相关性 (PCC=0.952,MAD=2.36°).
• 在分类科布角强度 (卡帕=0.686) 中,VFLDN的表现优于Seg4Reg和手动测量.

结论:

• 自动化的深度学习模型是可行的临床脊椎病评估.
• 基于关键点的VFLDN模型为临床应用提供了卓越的准确性,透明度和可解释性.