基于深度学习的侵蚀,突炎和骨炎的分类在手部MRI炎症性关节炎症患者

科学领域:

• 风湿病学和医学成像学
• 医疗保健中的人工智能
• 机器学习用于疾病评估.

背景情况:

• 炎症性关节炎,包括类风湿性关节炎 (RA) 和牛皮性关节炎 (PsA),需要准确评估手关节的参与.
• 目前用于侵蚀,骨炎和突炎的MRI评分方法可能是耗时和主观的.
• 手部MRI的自动化分析可以提高诊断效率和标准化.

研究的目的:

• 开发和验证一个卷积神经网络 (CNN) 用于手部MRI中骨质侵蚀,骨炎和肌膜炎的自动评分.
• 为了比较基于CNN的方法与专家人类注释的性能.
• 评估CNN在成本高效和时间高效的关节炎评估方面的潜力.

主要方法:

• 来自RA和PsA患者的手部MRI被用于训练,验证和测试CNN.
• 两位专家风湿病学家使用既定的评分系统提供了人类注释.
• 通过五倍交叉验证和独立数据集,使用接收器操作特征曲线 (AUC) 下的宏区域和斯皮尔曼相关性来评估性能.

主要成果:

• 美国有线电视新闻 (CNN) 获得了高的宏观AUC得分:侵蚀92%;骨炎91%;突炎85%.
• CNNs与人类注释有很强的相关性:90%的侵蚀,78%的骨炎和69%的突炎.
• 在独立验证数据集上,性能保持一致.

结论:

• 开发了一个基于CNN的系统,用于在手部MRI中快速准确地对炎症性关节炎进行自动分级.
• 这种自动化方法使用的MRI序列比传统方法少.
• 在关节炎患者中,CNN方法显示出对标准化,成本高效和时间高效的手部MRI评估的承诺.