使用卷积神经网络,基于深度学习检测腰椎道狭窄
Hisataka Suzuki1, Terufumi Kokabu1, Katsuhisa Yamada2
1Department of Orthopaedic Surgery, Faculty of Medicine and Graduate School of Medicine, Hokkaido University, N15W7, Sapporo, Hokkaido 060-8638, Japan; Department of Orthopaedic Surgery, Eniwa Hospital, 2-1-1 Kogane Chuo, Eniwa, Hokkaido 061-1449, Japan.
概括
这项研究开发了一种使用卷积神经网络 (CNN) 的深度学习算法,以从普通放射图中诊断腰椎道狭窄 (LSCS). 人工智能工具显示出高精度,可能减少需要手术的患者的诊断延迟.
科学领域:
- 医疗成像中的人工智能
- 深度学习用于诊断算法
- 脊椎疾病的放射性分析
背景情况:
- 腰椎道狭窄 (LSCS) 是老年人常见的退行性疾病,通常由非专家管理.
- 早期诊断对于有效的手术治疗至关重要,但磁共振成像 (MRI) 可能无法使用或难以解释.
- 卷积神经网络 (CNN) 提供了先进的图像识别功能,适合随时可用的放射设施.
研究的目的:
- 开发和验证一种基于CNN的算法,用于使用平坦的腰椎脊椎放射图来诊断手术上指示的LSCS.
- 评估算法在识别需要手术干预的LSCS方面的性能.
主要方法:
- 从150名接受LSCS手术的患者的600张侧面平坦腰椎脊柱放射图的回顾性分析.
- 开发CNN算法用于二元分类 (操作与非操作级别) 和脊柱管道面积测量.
- 内部验证使用500张图像的5倍交叉验证,外部验证使用来自同一机构的100张图像和来自其他医院的100张图像.
主要成果:
- 内部验证显示曲线下面积 (AUC) 为0.85-0.89和分类准确度为79-83%.
- 通过外部验证,AUC达到0.90,准确率为82%,脊髓运河面积的相关系数从0.56到0.69.
- 在Grad-CAM可视化中,突出显示了脊椎间关节和后脊椎间盘的特征重要性.
结论:
- 开发的CNN技术可以自动检测LSCS从普通X线图.
- 这有助于在缺乏MRI或专家解释的设施中进行诊断,从而消除治疗延迟.
- 该算法有望改善早期检测和管理需要手术的LSCS.
