深度学习用于根据膝关节侧面放射图,人口统计数据和症状评估预测骨关节炎的进展
Neslihan Bayramoglu1, Martin Englund2, Ida K Haugen3
1Research Unit of Health Sciences and Technology, University of Oulu, Oulu, Finland.
Methods of information in medicine
|April 11, 2024
概括
深度学习模型使用膝关节X射线和临床数据准确地预测了7年骨骨关节炎 (PFOA) 的进展. 这种方法可以识别针对性治疗的高风险患者.
科学领域:
- 整形外科 整形外科 整形外科
- 放射学 放射学是一门学科.
- 人工智能的人工智能
背景情况:
- 骨关节炎 (PFOA) 是一种使人虚弱的疾病,需要准确的预后.
- 预测PFOA进展有助于早期干预和治疗计划.
研究的目的:
- 开发和评估一个深度学习框架,用于预测7年放射性PFOA进展.
- 将深度学习模型的预测性能与传统方法进行比较.
主要方法:
- 利用了来自多中心骨关节炎研究 (MOST) 的1,832名受试者 (3,276个膝盖) 的数据集.
- 开发了一个端到端的深度学习模型,用于从侧膝盖X射线预测PFOA进展的注意力机制.
- 将模型性能与使用已知的风险因素 (年龄,BMI,WOMAC,KL得分) 和梯度增强机 (GBM) 的基线模型进行比较.
- 训练了一个整体模型,包括成像和临床数据.
主要成果:
- 深度卷积神经网络注意力模型实现了最高的性能 (AUC=0.856,AP=0.431).
- 结合成像和临床数据的组合模型显示出更好的预测 (AUC=0.865,AP=0.447).
- 注意地图突出显示了关键的共同区域,有助于理解模型预测.
结论:
- 机器学习模型,特别是带有注意力的深度学习,显示出预测PFOA进展的巨大潜力.
- 这些模型可以识别有风险的患者,以便及时制定治疗策略.
- 建议对这些模型在不同的队列进行外部验证,以便在未来实施.
