在医学图像中对基于深度学习的脊柱骨损伤检测进行系统审查
Bianca Teodorescu1,2, Leonard Gilberg1,3, Philip William Melton1,4
1Floy GmbH, Munich, Germany.
Acta radiologica (Stockholm, Sweden : 1987)
|July 21, 2024
概括
深度学习 (DL) 显示出使用医学成像识别脊柱骨瘤的前景. 然而,目前的研究需要标准化的方法和严格的验证,以获得可靠的临床应用.
科学领域:
- 放射学和医学成像学 医学成像学
- 人工智能在医学中的应用
- 在瘤学瘤学.
背景情况:
- 脊柱骨病变范围从良性到恶性,需要准确的诊断以有效治疗患者.
- 放射性成像对于诊断脊柱病理至关重要.
- 深度学习 (DL) 模型正在成为临床诊断中宝贵的工具.
研究的目的:
- 审查DL模型在识别脊髓骨恶性瘤方面的诊断性能.
- 确定当前DL研究方法和该领域报告的局限性.
- 评估DL在分析脊柱损伤的各种成像模式中的潜力.
主要方法:
- 系统的文献搜索关于脊髓骨恶性瘤识别中的DL研究.
- 分析了14项使用修改 QUADAS-2 评分系统的已识别的研究.
- 专注于计算机断层扫描 (CT),磁共振成像 (MRI) 和SPECT方式.
主要成果:
- 大多数审查的研究都显示出重大局限性,包括统计报告和数据采集不足.
- 缺乏外部验证数据集和潜在的注释偏差是常见的问题.
- 尽管存在局限性,但DL模型的诊断性能显示出有前途的潜力.
结论:
- 深度学习对改善脊髓骨恶性瘤的诊断具有显著的潜力.
- 在DL研究中,需要标准化的方法和严格的质量控制.
- 需要进一步的开发和验证才能将DL的潜力转化为临床实践.
