基于HardNet的深度学习模型用于骨质疏松症查和从手部放射图中推断骨矿物质密度
Chan-Shien Ho1, Tzuo-Yau Fan2, Chang-Fu Kuo3
1Department of Physical Medicine and Rehabilitation, Taoyuan Chang Gung Memorial Hospital, Taoyuan, Taiwan; Comprehensive Sports Medicine Center, Taoyuan Chang Gung Memorial Hospital, Taoyuan, Taiwan; Master of Science Degree Program in Innovation for Smart Medicine, Chang Gung University, Taoyuan, Taiwan; College of Management, Chang Gung University, Taoyuan, Taiwan.
这项研究介绍了DeepDXA-Hand,这是一种用于利用手部X射线进行机会性骨质疏松症查的深度学习工具. 它准确地预测骨密度,并识别骨质疏松症,帮助早期检测.
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
- 骨健康和骨质疏松症研究研究
背景情况:
- 骨质疏松症影响全球超过2亿人,往往未被发现,导致老年人骨折风险增加.
- 诊断通常依赖于通过双能X射线吸收计 (DXA) 测量的骨矿物质密度 (BMD).
- 需要可访问和机会性查方法来发现骨质疏松症.
研究的目的:
- 开发和验证DeepDXA-Hand,这是一种使用手部X射线图进行机会性骨质疏松症查的深度学习模型.
- 评估模型在预测骨矿物质密度 (BMD) 的能力.
- 评估早期骨质疏松症检测模型的临床潜力.
主要方法:
- 使用基于卷积神经网络 (CNN) 的HardNet架构进行BMD预测.
- 在10351张手部放射和相应的DXA扫描对上训练并验证了该模型.
- 使用GradCAM进行热点分析,以提高模型的解释性并确定重点领域.
主要成果:
- 在预测和地面真相BMD之间实现了显著的相关性 (0.745).
- 在骨质疏松症的二元分类中表现出高性能:0.73的灵敏度,0.83的特异性和0.80的准确性.
- 确定了手腕骨 (头骨,梯形骨,手臂骨,三角骨) 和第二个手腕骨头作为BMD推断的关键区域.
结论:
- DeepDXA-Hand显示出作为早期骨质疏松症检测的机会性查工具的巨大潜力.
- 该模型表现出高灵敏度和特异性,表明临床实用性.
- 需要进一步的研究来探索其在预测骨折风险方面的有效性.
更多相关视频
07:15Machine Learning Algorithms for Early Detection of Bone Metastases in an Experimental Rat Model
Published on: August 16, 2020
06:59Author Spotlight: An Economic and Efficient Method for Quantitative Evaluation of Bone Microarchitecture in a Murine Osteoporosis Model
Published on: September 8, 2023
