预测骨质疏松症从脏-尿道-膀 X射线图利用深 convolutional 神经网络
Tzu-Yun Yen1, Chan-Shien Ho1, Yu-Cheng Pei2
1Department of Physical Medicine and Rehabilitation, Chang Gung Memorial Hospital at Linkou No. 5, Fuxing Street, Guishan District, Taoyuan City 333, Taiwan; School of Medicine, Chang Gung University, No. 259, Wenhua 1st Road, Guishan District, Taoyuan City 33302, Taiwan.
Bone
|April 27, 2024
概括
这项研究介绍了DeepDXA-KUB,这是一个使用-尿道-膀 (KUB) 放射图的深度学习模型,用于预测骨质疏松症查的骨矿物质密度 (BMD). 该模型显示出有希望的准确性,为双能X射线吸收计 (DXA) 提供了潜在的低成本替代方案.
科学领域:
- 放射学 放射学是一门学科.
- 人工智能的人工智能
- 骨质疏松症研究 骨质疏松症研究
背景情况:
- 骨质疏松症对健康构成重大风险,包括骨折和死亡率.
- 双能X射线吸收计 (DXA) 是诊断的标准,但成本昂贵且难以获得.
- -尿道-膀 (KUB) 放射是常见的,廉价的,并且广泛可用,为查提供了机会.
研究的目的:
- 用KUB放射图来探索骨矿物质密度 (BMD) 的预测.
- 开发和评估一种用于机会性骨质疏松症查的深度学习模型 (DeepDXA-KUB).
- 评估模型根据KUB图像对高风险患者群体进行分类的能力.
主要方法:
- 开发了一个深度学习模型,DeepDXA-KUB,用于从KUB放射图中预测BMD.
- 利用来自台湾医疗中心的8913个KUB/DXA对的数据集 (2006-2019).
- 使用标准指标评估模型性能,包括精度,灵敏度,特异性和AUROC.
主要成果:
- 深度DXA-KUB在预测和DXA测量的BMD (r=0.858腰部,r=0.87部) 之间显示了中度的相关性.
- 实现了高精度 (84.7%的腰部,84.2%的部),灵敏度 (81.6%的腰部,91.2%的部) 和特异性 (86.6%的腰部,81%的部).
- 接收器操作曲线下的面积 (AUROC) 值很高 (0.939腰部,0.947部),表明表现强.
结论:
- 这是第一个使用KUB放射图的深度学习来预测腰椎和股骨BMD的研究.
- DeepDXA-KUB模型显示了机会性骨质疏松症查的巨大潜力.
- KUB 放射能可以作为一种具有成本效益的工具,用于识别患有骨质疏松症风险的个体.
