诊断膝关节骨关节炎的严重程度使用来自人工智能卷积神经网络的回归分数

科学领域:

• 人工智能的人工智能
• 医疗成像医学成像
• 深度学习神经网络 神经网络

背景情况:

• 骨关节炎 (OA) 严重程度分类对于患者管理至关重要.
• 使用人工智能测定膝关节OA严重程度的连续回归得分尚未得到广泛的探索.
• 细微的OA评估可以改善治疗策略.

研究的目的:

• 开发和评估深度学习神经网络模型来分类膝关节关节炎的严重程度.
• 探索OA评估中连续回归得分的实用性.
• 为了比较不同神经网络架构的性能.

主要方法:

• 利用了来自骨关节炎倡议的8260张放射图像.
• 开发和评估了四种神经网络模型:VGG16,EfficientNetV2小,ResNet34和DenseNet196.
• 根据Kellgren-Lawrence分级尺度标准生成回归得分,评估AUC,准确性和MAE.

主要成果:

• 效率网模型表现出卓越的性能,具有最高的AUC (0.83),准确度 (71%) 和最低的MAE (0.42).
• 所有评估的回归得分模型都表现优于标准卷积神经网络模型.
• EfficientNet的性能指标是该任务的文献中报告的最高水平.

结论:

• 卷积神经网络提供了一种自动化和准确的方法来评估OA的膝盖放射.
• 人工智能生成的回归分数通过量化标志性特征,提供了膝关节OA更细致的进展.
• 这项技术有可能成为骨科推适合性的选工具.