使用人工智能增强骨质疏松症检测:对全景射线图的深度学习方法,重点是精神膜

科学领域:

• 医疗成像医学成像
• 人工智能的人工智能
• 骨质疏松症研究 骨质疏松症研究

背景情况:

• 骨质疏松症影响了50岁以上的60%的女性,需要在骨折后评估之外进行早期检测.
• 双能X射线吸收度 (DXA) 是黄金标准,但通常使用较晚.
• 全景射线图 (PRs) 是常见的牙科工具,为早期骨质疏松症查提供了潜力.

研究的目的:

• 开发一个强大的AI应用程序,使用PRs准确识别骨质疏松症.
• 建立骨质疏松症的可靠和早期诊断能力.
• 解决以往基于人工智能的骨质疏松症PR分析中的方法问题.

主要方法:

• 使用了来自骨质疏松症和非骨质疏松症组的250个PR的数据集.
• 一个卷积神经网络 (CNN) 分类器被训练和验证在切割的精神孔区域.
• 人工智能模型使用比较分析 (骨质疏松症与匹配的非骨质疏松症) 和 (骨质疏松症与年轻的非骨质疏松症) 进行了测试.

主要成果:

• 在将骨质疏松症与年龄/性别匹配的对照进行比较时,AI模型获得了F1分数0.74和AUC0.8401.
• 为了区分年轻患者的骨质疏松症,该模型的准确率为98%,AUC为0.9812.
• 该研究强调了深度学习在PRs中用于骨质疏松症检测的潜力.

结论:

• 这项研究提出了人工智能驱动的骨质疏松症检测在PRs的概念验证.
• 这些发现强调了通过牙科成像来早期和可靠地诊断骨质疏松症的潜力.
• 在医学诊断中验证人工智能应用时,方法论的严谨性至关重要.