自动关节骨关节炎分级与不确定性估计从计算机断层扫描使用数字重建的X线图
Masachika Masuda1, Mazen Soufi2, Yoshito Otake3
1Division of Information Science, Graduate School of Science and Technology, Nara Institute of Science and Technology, Ikoma, Nara, Japan. masuda.masachika.mp2@is.naist.jp.
概括
一种自动化的深度学习方法从CT扫描中准确地评分关节骨关节炎 (OA) 的严重程度. 模型不确定性预测了分类错误,有助于大规模的OA进展分析.
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:
- 关节炎 (OA) 的进展会导致疼痛和残疾,往往需要关节整形.
- 目前的Crowe和Kellgren-Lawrence (KL) 对关节OA严重性的分类是主观的.
- 准确的分级对于治疗规划和疾病进展监测至关重要.
研究的目的:
- 开发一种自动化的深度学习方法来分类部骨关节炎的严重程度.
- 用克罗和KL分级方案来分类关节骨质炎的严重程度.
- 评估模型不确定性作为分类准确性的预测指标.
主要方法:
- 深度学习模型被训练为自动部OA严重程度分级.
- 模型预测了Crowe和KL分别的等级和组合的顺序标签.
- 模型不确定性被估计并根据分类准确性进行验证.
- 培训和验证涉及197名关节骨质炎患者,对52名患者进行了外部验证.
主要成果:
- 深度学习模型在分类和回归设置中实现了可比的准确性 (约. 0.65个ECA,0.95个ONCA). 没有一个.
- 对于较大分类错误的案例,模型不确定性明显更高.
- 开发的模型在内部和外部数据集上都表现出强的性能.
结论:
- 成功开发了一种自动化方法,通过CT图像来分级关节OA的严重程度.
- 这些模型实现了高一个邻居类精度 (ONCA),使大数据集的自动分级成为可能.
- 模型不确定性与分类准确性相关,允许错误预测和进一步分析疾病进展的可能性.


