基于深度学习的Cobb角度预测模型,用于青少年异常脊椎病患者的Cobb角度
Chun-Sing Elvis Chui1, Zhong He2, Tsz-Ping Lam1
1Department of Orthopaedics and Traumatology, The Chinese University of Hong Kong, Hong Kong, China.
Diagnostics (Basel, Switzerland)
|June 27, 2024
概括
这项研究引入了一种使用Feedforward神经网络 (FNN) 的自动化方法,用于预测青少年异常学脊椎病 (AIS) 的进展. 在预测脊柱形方面,FNN显示出高准确度,有助于个性化治疗计划.
科学领域:
- 整形外科和生物医学工程
- 医学成像和人工智能 医学成像和人工智能
背景情况:
- 脊柱脊椎病是一种常见的脊柱形,特别是在青少年异常脊椎病 (AIS) 中,它带来了诊断挑战.
- 目前手动的科布角测量有局限性,需要自动化和客观的评估工具来评估脊椎病的进展.
- 准确的脊椎病预后对于及时有效的患者管理和治疗策略至关重要.
研究的目的:
- 开发和验证用于预测AIS患者脊椎病进展的自动化系统.
- 评估Feedforward神经网络 (FNN) 的有效性,利用脊椎地标提取来预测脊柱结.
- 评估FNN在预测科布角变化和分类曲线严重性的性能.
主要方法:
- 采用脊椎地标提取技术进行脊椎形的定量分析.
- 使用了由79名AIS患者的数据训练的Feedforward神经网络 (FNN) 模型.
- 开发了一种新的脊椎间角矩阵格式,用于表示和分析脊柱曲率数据.
主要成果:
- 在FNN实现了1.5度的平均绝对误差为脊椎间角进展预测.
- 在预测和实际的科布角之间观察到0.86的高皮尔森相关系数.
- 科布角严重性的分类精度为0.85,灵敏度为0.65和特异性为0.91.
结论:
- 该FNN模型在预测脊椎病进展方面表现出显著的准确性,灵敏性和特异性.
- 使用FNN的自动化分析为客观的脊椎病诊断和预后提供了一个有希望的方法.
- 进一步的改进,例如解决FNN过问题,可以提高定制脊椎病治疗的性能.
