通过深度学习模型提高新鲜脊椎压缩骨折的诊断准确度
Kai-Yu Li1, Hao-Bo Ye, Yu-Long Zhang
1Zhejiang Spine Research Center, Department of Spine Surgery, The Second Affiliated Hospital and Yuying Children's Hospital of Wenzhou Medical University, Wenzhou, Zhejiang, China.
Spine
|October 29, 2024
概括
这项研究开发了使用X射线诊断脊椎压缩骨折的深度学习模型,为MRI提供了更快,更容易获得的替代方案. 这些模型显示出高精度,在检测方面表现优于脊髓外科医生.
科学领域:
- 放射学和医学成像学 医学成像学
- 医疗保健中的人工智能
- 脊柱手术诊断 脊柱手术诊断 脊柱手术诊断
背景情况:
- 诊断新鲜的胸椎压缩骨折往往依赖于MRI,这是资源密集且昂贵的.
- 有限的MRI可用性可能会推迟脊椎压缩骨折患者的诊断和治疗.
- 使用X射线图像的深度学习模型为高效的骨折诊断提供了潜在的替代方案.
研究的目的:
- 开发和验证深度学习模型,以使用X射线图像准确诊断新鲜的胸腔椎压缩骨折.
- 与传统方法和专家评估相比,评估这些模型的诊断性能.
主要方法:
- 一项回顾性研究利用来自共享数据库的3025张横向X射线图像.
- 使用EfficientNet,MobileNet和MnasNet架构开发深度学习模型.
- 使用准确性,AUC,灵敏度和特异性等指标评估模型性能,与脊柱外科医生评估进行比较.
主要成果:
- 深度学习模型的准确度在验证组中达到82.2%至83.0%,在控制组中达到78.1%至80.7%.
- 模型的曲线下的面积 (AUC) 值在0.852到0.865.5之间.
- 开发的深度学习模型在对照组中,与高级和初级脊椎外科医生相比,表现出更好的诊断性能.
结论:
- 深度学习模型有效地从X射线图像中诊断出新鲜的脊椎压缩骨折.
- 这些由人工智能驱动的工具显示出作为一种具有成本效益和可访问的诊断辅助工具的承诺,可能会减少对MRI的依赖.
- 这项研究强调了人工智能的潜力,以提高脊柱成像诊断的准确性和效率.
