基于深度学习的软件的临床验证,用于从胸部X射线图像中预测腰椎骨矿物质密度和T-Score

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:

• 骨质疏松症查至关重要,但由于骨定量超声波 (QUS) 的准确性较低和双能X射线吸收度 (DXA) 访问有限,因此面临挑战.
• 人工智能 (AI) 提供了利用现有医疗图像进行机会性查的机会.

研究的目的:

• 开发和验证使用胸部X射线 (CXR) 图像进行骨质疏松症查的深度学习模型.
• 在开发和临床验证阶段评估AI模型的性能.

主要方法:

• 在5122个配对的CXR图像和DXA报告上训练了一个深度学习模型.
• 图像进行了预处理,以删除影响T12和L1水平的硬件和形.
• 该模型在440张配对的CXR图像和来自两个诊所的DXA报告上得到了验证.

主要成果:

• 人工智能模型在临床前测试中达到0.940的曲线下面积 (AUC),在临床验证中达到0.946.
• 皮尔森的相关系数为0.88.8.
• 该模型显示了高精度 (89.0%),灵敏度 (88.7%) 和特异性 (89.4%).

结论:

• 使用CXR图像的AI模型显示了机会性骨质疏松症查的强大性能.
• 这种AI方法有可能在高风险人群的初步查中得到广泛采用.
• 人工智能驱动的CXR分析为早期骨质疏松症检测提供了一个有希望的,可访问的方法.