深度学习可以在类风湿性关节炎模型开发和外部验证中自动检测关节损伤进展
Mikko S Venäläinen1,2, Alexander Biehl1, Milja Holstila3
1Turku Bioscience Centre, University of Turku and Åbo Akademi University, Turku, Finland.
Rheumatology (Oxford, England)
|April 10, 2024
概括
这项研究引入了AuRA,这是一种自动化算法,用于评分类风湿性关节炎 (RA) 关节损伤. AuRA在外部验证中表现出强的表现,并显示出在RA患者中监测放射性进展的潜力.
科学领域:
- 放射学 放射学是一门学科.
- 人工智能的人工智能
- 类风湿病学 类风湿病学
背景情况:
- 深度学习对量化类风湿性关节炎 (RA) 关节损伤有希望.
- 使用人工智能在个体患者水平上检测纵向变化的证据有限.
- 自动评分算法有可能减少手动评估的负担.
研究的目的:
- 引入和外部验证一个自动化的RA评分算法 (AuRA).
- 为了证明AuRA在现实环境中监测放射性进展的实用性.
- 将AuRA的性能与现有的高性能算法进行比较.
主要方法:
- AuRA算法是通过专家策划的Sharp-van der Heijde分数从RA放射图中进行训练的.
- 外部验证使用单独的RA患者X光片队列进行.
- 纵向变化通过比较平均4.6年间隔的X线图集来评估.
主要成果:
- 在外部验证中,AuRA与顶级RA2-DREAM算法 (35.0和35.6) 相比,实现了较低的根平均平方误差 (23.6).
- 在更高的专家评估损害得分时,性能改善最为显著.
- 由AuRA预测的纵向变化与专家评估有显著的相关性 (皮尔森R = 0.74,P < 0.001).
结论:
- 对于RA的放射性评估,AuRA表现出卓越的外部验证性能.
- 该算法显示了检测关节损伤的纵向变化的巨大潜力.
- AuRA可用于自动放射性进展检测,减少手动评分的需求.
