Femoral 骨质疏松症预测模型使用自分化和机器学习分析与 PyRadiomics 在腹部-骨盆计算断层扫描 (CT) 上
Min Su Park1, Hong Il Ha1, Hyun Kyung Lim2
1Department of Radiology, Hallym University Sacred Heart Hospital, Anyang-si, Gyeonggi-do, Republic of Korea.
Quantitative imaging in medicine and surgery
|June 7, 2024
概括
人工智能和放射学可以利用CT扫描机会地预测骨质疏松症. 这种人工智能模型结合了股骨自分割和机器学习,显示了骨质疏松症查的高诊断性能.
科学领域:
- 放射学 放射学是一门学科.
- 人工智能的人工智能
- 医疗成像医学成像
背景情况:
- 使用计算机断层扫描 (CT) 的机会性骨质疏松症查正在与AI和放射学一起出现.
- 双能X射线吸收计 (DXA) 是目前用于骨质疏松症诊断的标准.
研究的目的:
- 评估人工智能驱动的骨质疏松症预测模型的诊断性能.
- 将近端股骨的自分化与机器学习分析结合起来,用于骨质疏松症的预测.
主要方法:
- 对1,122名DXA和腹腔盆腔CT (APCT) 扫描的患者进行了回顾性分析.
- 机器学习模型使用随机森林和PyRadiomics功能在自动细分的近端股骨上.
- 模型在单独的队列中进行训练和验证,评估技术成功,灵敏度,特异性,AUC和AUC-PR.
主要成果:
- 高技术成功率 (99.7%) 靠近大腿骨自分割.
- 该模型表现出强大的诊断性能,AUC为90.8% (培训) 和78.0% (验证).
- 高AUC-PR值 (94.6%的培训,88.8%的验证) 表明有效的预测.
结论:
- 在APCT上使用近端股骨放射学进行AI驱动的骨质疏松症预测是可行的.
- 开发的模型显示出出色的诊断性能和技术上的成功.
- 这种方法为机会性骨质疏松症查提供了一个有希望的新范式.
