基于深度学习的多模式图像分析预测皮肤穿整形期间的骨质水泥泄漏:模型开发协议,并通过前性和外部数据集进行验证

科学领域:

• 整形外科 整形外科 整形外科
• 放射学 放射学是一门学科.
• 人工智能的人工智能

背景情况:

• 骨水泥泄漏 (BCL) 是骨质疏松性脊椎压缩骨折 (OVCF) 的皮肤穿整形术 (PKP) 的常见并发症.
• BCL可能导致严重的二次并发症,并对患者的治疗结果产生负面影响.
• 现有的机器学习模型在预测BCL的临床应用方面存在局限性.

研究的目的:

• 开发和验证深度学习 (DL) 模型,用于预测PKP期间BCL发生和分类.
• 分析手术前的CT和MRI扫描以预测BCL.
• 根据临床医生的预测和参考标准评估模型的性能.

主要方法:

• 用于培训和验证的回顾性和前性内部数据集.
• 交叉中心外部数据集用于模型测试.
• 对手术前CT和MRI数据进行深度学习分析.

主要成果:

• (结果将在研究完成后详细说明)

结论:

• 预计DL模型将显著改善BCL手术前风险评估.
• 这种工具可以实现个性化的治疗策略,减少BCL发病率并提高临床结果.
• 该模型具有更广泛的应用潜力,特别是在资源有限的环境中,并且可以促进更好的临床医生与患者的沟通.