自动骨质疏松症分类和T-score预测使用部X射线图通过深度学习算法
Yu-Pin Chen1,2, Wing P Chan3,4, Han-Wei Zhang5,6,7,8
1Department of Orthopedics, Wan Fang Hospital, Taipei Medical University, Taipei City, Taiwan.
Therapeutic advances in musculoskeletal disease
|April 26, 2024
概括
一个新的AI模型准确地检测骨质疏松症,并从部X射线预测T分数. 这提供了一个低成本,可适应的查工具,供更广泛的人口使用.
科学领域:
- 医疗成像中的人工智能
- 放射学和成像学 放射学和成像学
- 骨质疏松症的诊断 骨质疏松症的诊断
背景情况:
- 双能X射线吸收计 (DXA) 是骨质疏松症诊断的黄金标准,但未得到充分利用.
- 需要可访问和高效的骨质疏松症查方法.
研究的目的:
- 开发和验证一个卷积神经网络 (CNN) 模型用于骨质疏松症分类和T-score预测,使用简单的部X射线图.
- 与现有方法相比,评估拟议的CNN模型的性能.
主要方法:
- 一项回顾性研究使用了来自1730名患者 (年龄≥50岁) 3460张单边部图像的数据集.
- 开发了一种完全自动化的CNN模型 (X1AI-Osteo),具有可控制的功能层和预处理算法.
- 该模型在2473张图像上进行了训练,并在497张图像上进行了测试,并使用DXA T-score进行验证.
主要成果:
- 拟议的CNN模型在预测骨质疏松症方面取得了很高的表现 (灵敏度:97.2%;特异性:95.6%;AUC:0.96).
- 该模型在结合年龄,BMI和性别时,与DXAT分数 (r=0.996,p<0.001) 显示出很高的一致性.
- 性能超过了开源的CNN模型.
结论:
- 在CNN模型准确地识别骨质疏松症和预测T-分数从简单的部X射线图.
- 这项技术有可能为经济高效,以人口为基础的机会性骨质疏松症查提供潜力.
- 该模型的适应性使其适合于更广泛的受风险的人群.
