OMERACT验证了一种深度学习算法,用于自动绝对量化膝关节输血,与手动半量化评估对比
Banafshe Felfeliyan1, Stephanie Wichuk1, Abhilash R Hareendranathan1
1Department of Radiology and Diagnostic Imaging, University of Alberta, Edmonton, Canada.
Seminars in arthritis and rheumatism
|February 29, 2024
概括
深度学习 (DL) 在MRI扫描中准确地量化了膝关节输液 - 关节炎. 这种自动化方法显示了标准的有效性,与骨关节炎研究的专家评估有很好的相关性.
科学领域:
- 放射学 放射学是指放射学
- 人工智能的人工智能
- 医疗成像医学成像
背景情况:
- 膝关节输液-综合炎是骨关节炎的一个关键指标.
- 准确的量化对于治疗监测和研究至关重要.
- 当前的半定量评分方法可能是主观的,耗时的.
研究的目的:
- 评估深度学习 (DL) 用于自动量化膝关节输出-突炎.
- 用OMERACT波器框架评估基于DL的输出量化标准的有效性.
主要方法:
- 使用了一个DL算法,训练在骨关节炎倡议 (OAI) 膝盖MRI数据上.
- 该算法自动量化了53名OAI受试者的膝盖MRI中的输出量.
- 结果与来自KIMRISS和MOAKS的半定量得分进行了比较.
主要成果:
- 深度学习测量膝盖溢出与专家评估有显著的相关性 (肯德尔的tau为0.34-0.43).
- 与KIMRISS手动评分相比,自动化DL量化证明了标准的有效性.
- 这项研究为DL在客观溢出评估中的实用性提供了基础.
结论:
- 膝关节输出突炎的自动DL量化证明了标准的有效性.
- DL方法对客观和高效的膝关节综合炎的评估有希望.
- 需要进一步验证歧视和临床结果的相关性,以满足OMERACT过器标准.
