深度学习用于骨质疏松症查,使用前后部放射图像
Artit Boonrod1, Prarinthorn Piyaprapaphan1, Nut Kittipongphat1
1Department of Orthopedics, Faculty of Medicine, Khon Kaen University, Khon Kaen, Thailand.
概括
一个新的深度学习模型可以使用部X射线选骨质疏松症. 这种工具可能有助于识别需要进一步骨矿物密度 (BMD) 测试的患者.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 整形外科 整形外科 整形外科
背景情况:
- 骨质疏松症显著增加骨折风险和死亡率.
- 骨矿物质密度 (BMD) 测量是标准的诊断工具,但成本昂贵,需要专门的设备.
- 简单的X射线图是便宜的和可访问的,但目前没有用于诊断.
研究的目的:
- 开发和评估一个深度学习模型用于骨质疏松症诊断,使用前后部放射图像.
- 评估开发的深度学习模型的诊断准确性.
主要方法:
- 追溯收集了363张从2013年到2021年的前后部X射线图像.
- 排除使用超过两年 BMD 测量的图像.
- 在80%的图像上训练五个深度学习模型,在剩余的20%上评估性能,最佳模型由AUC选择.
主要成果:
- 最好的深度学习模型实现了曲线下的面积 (AUC) 为0.91.
- 该模型在诊断骨质疏松症时表现出0.82的准确性.
- 总共分析了363张图像,其中150张被归类为骨质疏松症 (T分数≤-2.5).
结论:
- 深度学习显示了透过部X射线图的骨质疏松症查的前景.
- 开发的模型可以作为一种具有成本效益的查工具,用于识别有风险的个体,以便随后进行骨损伤测试.


