使用多特征融合DCNN模型对胸部CT进行机会性骨质疏松症查的可行性研究

科学领域:

• 放射学 放射学是指放射学
• 人工智能的人工智能
• 骨质疏松症研究研究

背景情况:

• 骨质疏松症是一个重大的公共卫生挑战,需要有效的查方法.
• 目前的骨质疏松症查通常需要专门的骨密度扫描.
• 利用现有的成像数据,如胸部CT,可以提供一种机会性查方法.

研究的目的:

• 开发和验证用于骨质疏松症查的多功能深度学习模型.
• 评估使用胸部CT扫描估计体积骨矿物质密度 (vBMD) 的可行性.
• 将临床信息和放射学与深度学习相结合,以提高诊断准确度.

主要方法:

• 一个深度卷积神经网络 (DCNN) 模型是使用来自1048个受试者的胸部CT图像来开发的.
• 使用基于深度学习的模型进行腰椎L1细分.
• 一种多特征的融合方法结合了CT数据,临床信息和放射学来进行vBMD估计和分类.

主要成果:

• 该DCNN模型在细分脊椎 (DSC 0.951) 和诊断骨质疏松症阶段方面取得了很高的准确性.
• 该模型表现出很好的性能,AUC为0.992 (正常),0.973 (骨质疏松症) 和0.989 (骨质疏松症).
• 实现了vBMD的准确估计,平均绝对误差低 (测试组中的8.20 mg/cm3) 和高R平方值 (测试组中的0.942).

结论:

• 多功能融合DCNN模型有效地执行三类骨密度诊断,并使用腰椎L1脊椎和临床数据估计vBMD.
• 这种通过胸部CT进行的自动机会性评估显示了大规模骨质疏松症查的前景.
• 建议在独立人群中进行进一步的验证,以确认其在识别患有骨质疏松性骨折高风险的人群中的临床实用性.