使用基于超声波无线电频率信号的深度学习评估脆弱性骨折风险

科学领域:

• 生物医学工程 生物医学工程
• 人工智能在医学中的应用
• 骨质疏松症研究 骨质疏松症研究

背景情况:

• 脆弱性骨折对健康构成重大风险,包括发病率,死亡率和经济负担.
• 早期识别高风险个体对于有效的预防策略至关重要.
• 定量超声波 (QUS) 显示了评估骨结构和骨折风险的潜力.

研究的目的:

• 评估一个多通道残留网络 (MResNet) 来对绝经后妇女的脆弱性骨折进行歧视.
• 为了比较MResNet的性能与传统的QUS音速 (SOS) 和DXA骨矿物质密度 (BMD).
• 用超声波射频 (RF) 信号来评估MResNet的有效性.

主要方法:

• 从246名绝经后妇女获得了QUS,射频信号和SOS.
• 开发并应用了一个MResNet模型,使用射频信号来分类骨折风险.
• 收集骨折史和DXA-BMD数据 (腰部,部,大腿部).
• 分析的赔率比率 (OR) 和接收器运营商特征曲线 (AUC) 下的面积用于性能评估.

主要成果:

• MResNet区分任何脆弱性骨折 (AUC=0.74),脊椎骨折 (AUC=0.77),以及非脊椎骨折 (AUC=0.69).
• 修改后的MResNet与临床共变量改善了歧视 (AUC=0.81-0.83).
• MResNet的表现明显优于QUS-SOS (AUC=0.60) 和DXA-BMD (AUC=0.63-0.76) 的表现.

结论:

• MResNet模型在分辨绝经后妇女的脆弱性骨折方面显示出有希望的表现.
• 结合临床共变量提高了MResNet的预测效率,超过了传统方法.
• MResNet具有改善骨折风险评估的潜力,需要在更大的人群中进行进一步的研究.