开发一种深度学习模型,用于自动检测手部放射图中的酸盐沉积物

科学领域:

• 放射学 放射学是一门学科.
• 人工智能的人工智能
• 类风湿病学 类风湿病学

背景情况:

• 聚酸沉积 (CPPD) 疾病是关节炎的重要原因,经常模仿其他类风湿性疾病,如痛风,骨关节炎 (OA) 或类风湿性关节炎 (RA).
• 最近的分类标准强调了手和手腕关节化和OA特征在诊断CPPD方面的重要性.

研究的目的:

• 开发和验证一种深度学习算法,用于在手部放射图中自动检测CPPD.
• 该算法特别专注于识别三角纤维软骨复合体 (TFCC) 和第二和第三个甲骨关节 (MCP) 关节中的化.

主要方法:

• 两位放射科医生独立审查了926张手部放射图的数据集,其中319例被归类为CPPD阳性.
• 用一个卷积神经网络来预测CPPD的存在,测试了7个模型,其中有TFCC,MCP-2和MCP-3联合参与的不同组合.
• 模型性能被评估使用接收器操作特征 (AUROC) 下面的面积和精度回忆 (AUPR) 曲线下的面积,并进行热图分析 (Grad-CAM) 进行解释性.

主要成果:

• 所有测试的模型都表现出良好的类别分离.
• 结合了TFCC,MCP-2和MCP-3连接的组合模型实现了最高的性能,平均AUROC为0.86和平均AUPR为0.77.
• 各个联合模型的性能各不相同,只有TFCC的模型表现良好 (AUROC 0.85),只有MCP的模型精度较低 (AUPR 0.29-0.47).

结论:

• 一个深度学习模型将TFCC和MCP-2/3关节的CPPD检测集成到手部放射镜中,提供了卓越的诊断性能.
• 这种算法有可能在广泛的骨关节炎或类风湿性关节炎患者队列和电子健康记录中促进CPPD的查.
• 未来的研究将专注于扩大数据集,并通过外部数据集验证模型.