基于侧向X射线图像的两阶段深度学习模型用于诊断腰椎脊髓疏松症
Chunyang Xu1, Xingyu Liu2, Beixi Bao1
1Department of orthopedics, Beijing Tongren Hospital, Capital Medical University, Beijing, China.
World neurosurgery
|April 12, 2024
概括
诊断早期的腰椎脊髓疏松症是一项挑战. 一个使用Res-SE-Net和YOLOv8的新型两阶段深度学习模型在X射线上识别腰椎脊髓溶解时获得了92.3%的准确性.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 整形外科 整形外科 整形外科
背景情况:
- 由于细微的症状,早期的腰椎脊髓炎诊断很困难.
- 深度学习 (DL) 模型可以提高X射线诊断的准确性,减少误诊.
- 开发了一种两阶段的DL模型,用于早期检测腰椎脊髓疏松症.
研究的目的:
- 开发和评估一个两阶段的深度学习模型,用于诊断早期的腰椎脊髓溶解症.
- 用横向X射线图像来提高腰椎脊髓溶解检测的准确性和效率.
- 为临床医生提供一种可靠的工具,用于诊断和治疗早期的腰椎脊髓溶解症.
主要方法:
- 利用北京通仁医院的2424个腰部侧面放射图 (2021年1月至2023年9月).
- 采用了两阶段的DL方法:YOLOv8用于本地化和Res-SE-Net用于分类.
- 在北京海地医院的内部测试集和外部数据集上验证了模型.
主要成果:
- 该模型在测试组件上实现了92.3%的诊断准确度,93.5%的精度和93.1%的回忆.
- 曲线下的面积 (AUC) 值达到0.934,表明表现强.
- 模型的性能与专业临床医生的评估相当.
结论:
- 开发的两阶段深度学习模型为诊断早期腰椎脊髓缩提供了宝贵的参考.
- 这种人工智能驱动的方法可以帮助临床医生更准确,更及时地进行诊断.
- 该模型有助于改善腰椎脊髓缩症的诊断和随后的治疗计划.
