基于深度学习的自动化高精度定位和鉴定脊髓X光片的新鲜脊椎压缩骨折:一个多中心队列研究

科学领域:

• 医疗成像医学成像
• 放射学中的人工智能
• 脊柱诊断 脊柱诊断 脊柱诊断 脊柱诊断

背景情况:

• 数字放射学 (DR) 是一种常见的脊髓成像技术.
• 在检测骨髓瘤方面,DR的局限性给识别新鲜的脊椎压缩骨折 (VCF) 带来了挑战.

研究的目的:

• 开发和验证一个深度残留网络 (DRN) 模型,用于自动检测和识别从脊柱DR图像中新鲜的VCF.
• 评估DRN模型在临床环境中的性能和可解释性.

主要方法:

• 一个深度残留网络 (DRN) 模型经过训练,验证,并对来自五所机构的1,747名参与者的脊柱DR图像进行了外部测试.
• 用AUC,特征注意力图,灵敏度,特异性和准确性来评估模型性能,并与其他五种深度学习模型进行比较.
• 还评估了旧的风险投资基金对DRN模型性能的影响.

主要成果:

• 在检测新鲜的VCF时,DRN模型实现了高性能,AUC为0.99 (验证),0.89 (YHDH) 和0.88 (BMUH).
• 外部测试队列 (YHDH,BMUH) 的准确度在72.90%至81.45%之间,敏感度在84.75%至91.43%之间.
• 该模型生成了准确的激活地图,展示了有效的特征表示和分类,性能受到旧VCF存在的轻微影响.

结论:

• 成功开发了一种DRN模型,用于自动诊断和识别使用脊柱DR图像的新鲜VCF.
• 该DRN模型提供可解释的注意力图,增强对VCF诊断的临床决策支持.