可解释的基于机器学习的预测QCT/FEA计算的股骨强度在立场负载配置下使用放射学特征
Shuyu Liu1, Meng Zhang2, He Gong1
1Key Laboratory for Biomechanics and Mechanobiology (Beihang University) of Ministry of Education, Beijing Advanced Innovation Center for Biomedical Engineering, School of Biological Science and Medical Engineering, Beihang University, Beijing, China.
概括
这项研究开发了一个简单而可解释的模型,使用部CT扫描中的放射学特征来准确预测股骨力量. 这种非侵入性方法为评估骨健康提供了潜在的临床应用.
科学领域:
- 生物医学工程 生物医学工程
- 放射学 放射学是一门学科.
- 整形外科 整形外科 整形外科
背景情况:
- 有限元分析 (FEA) 提供精确的股骨强度评估,但复杂且耗时.
- 开发更简单,更易于解释的腿部力量评估方法对于临床应用至关重要.
研究的目的:
- 开发一种有效的,简单的,可解释的模型,用基于定量计算断层扫描 (QCT) 的FEA来评估股骨力量.
- 利用QCT图像中的放射学特征来预测在姿势负荷下大腿骨的强度.
主要方法:
- 从100名参与者的QCT图像中提取了放射性特征.
- 使用过器,皮尔森相关性和最小绝对收缩和选择运算符 (LASSO) 进行特征选择.
- 开发了一种支持向量回归 (SVR) 模型来预测股骨强度,并使用沙普利增量解释 (SHAP) 来解释模型的可解释性.
主要成果:
- 预测模型在测试组中实现了0.820的R平方.
- 最佳模型利用了六个选定的放射学特征,证明了对大腿骨强度预测的积极贡献.
- 关键的绩效指标包括RMSE的1016.299N和NRMSE的10.645%.
结论:
- 成功开发了一种非侵入性,有效和可解释的股骨强度评估方法.
- 基于放射学的QCT/FEA模型显示了在骨健康评估中临床应用的巨大潜力.
