使用自动化机器学习平台检测和评分手部放射性骨关节炎
Leo Caratsch1,2,3, Christian Lechtenboehmer1,2,3,4, Matteo Caorsi3
1Lausanne University Hospital and University of Lausanne, Lausanne, Switzerland.
ACR open rheumatology
|April 5, 2024
概括
自动机器学习 (autoML) 平台可以自动检测远端手关节炎 (OA). 虽然可行和可用,但使用这种模型对骨关节炎的严重程度进行分级仍然是临床试验的挑战.
科学领域:
- 人工智能在医学中的应用
- 放射学和医学成像学 医学成像学
- 风湿病学和肌肉骨疾病
背景情况:
- 自动机器学习 (autoML) 平台使医疗保健专业人员能够开发适合临床需求的机器学习 (ML) 算法.
- 远端手关节炎 (OA) 诊断和分级可以从先进的计算工具中受益.
研究的目的:
- 开发和评估一个自动ML模型,用于自动检测和分级远端关节骨关节炎 (DIP-OA).
- 评估用于放射性OA评估的AutoML驱动系统的可行性和可用性.
主要方法:
- 利用了来自瑞士质量管理 (SCQM) 队列和外部数据的13,690张手部放射图的大数据集.
- 使用Giotto (学习预测 (L2F)) 自动ML平台来训练卷积神经网络用于DIP联合提取和Kellgren/Lawrence (K/L) 评分分类.
- 通过网络应用程序与风湿病学家和放射学家生成热图并评估用户体验.
主要成果:
- 该模型在DIP-OA检测方面实现了79%的灵敏度和86%的特异性.
- 评分K/L得分的整体准确率为75% (κ = 0.76),在不同OA严重程度的不同程度上,准确度有所不同.
- 风湿病学家对自动DIP-OA评分的需求中等至高,而放射学家则倾向于热图可视化.
结论:
- 自动ML平台为开发端到端临床ML算法提供了可行的途径.
- 自动射线检测DIP-OA被证明是可行的和可用的.
- 对于临床试验目的而言,对个体K/L分数的准确分级存在持续的挑战.
