自动人工智能工具用于机会性查脊椎压缩骨折的胸前放射:一个多中心研究

科学领域:

• 放射学 放射学是一门学科.
• 人工智能的人工智能
• 医疗成像医学成像

背景情况:

• 脊椎压缩骨折 (VCF) 是一种常见的骨质疏松性骨折,经常无症状且未被诊断.
• 胸前放射 (CFR) 可以检测出一些VCF,但机会性查是具有挑战性的.
• 深度学习 (DL) 提供了在CFR中自动化VCF检测的潜力.

研究的目的:

• 开发和验证一种自动AI工具,用于利用DL对CFR进行机会性VCF查.
• 在内部和外部测试数据集中评估AI工具的性能.
• 评估人工智能协助对临床医师在VCF诊断中的表现的影响.

主要方法:

• 在四个医疗中心的2735名患者的19145个脊椎 (T6-T12) 上训练了一种DL模型.
• 内部测试使用了来自中心1-3的80%数据 (n=2361名患者),外部测试使用了来自中心4的数据 (n=374名患者).
• 用灵敏度,特异性,准确性和AUC来评估模型性能; 一项读者研究比较了带有和没有AI的临床医生的表现.

主要成果:

• 人工智能模型实现了高性能:83.0%的灵敏度和0.930的AUC内部,78.4%的灵敏度和0.942的AUC外部.
• 人工智能工具的灵敏度超过了五位具有不同经验水平的临床医生.
• 人工智能辅助显著提高了临床医生的敏感性:初级临床医生从56.1%提高到81.6%,高级临床医生从65.0%提高到85.6%.

结论:

• 开发的自动AI工具在CFR中对VCF检测具有很高的准确性.
• 人工智能显著提高了临床医师在诊断VCF方面的敏感性,提高了患者一级的检测率.
• 这种人工智能工具在日常临床实践中对机会性VCF查有很大的希望.