通过整合身高损失比率和深度学习方法,提高了慢性脊椎压缩骨折的检测准确度
Jemyoung Lee1,2, Heejun Park3, Zepa Yang3
1Department of Applied Bioengineering, Graduate School of Convergence Science and Technology, Seoul National University, Seoul 08826, Republic of Korea.
Diagnostics (Basel, Switzerland)
|November 27, 2024
概括
这项研究通过将高度损失比率 (HLR) 方法与深度学习 (DL) 模型相结合,提高了脊椎压缩骨折检测,提高了单独HLR的准确性.
科学领域:
- 放射学 放射学是一门学科.
- 医疗成像医学成像
- 人工智能在医学中的应用
背景情况:
- 高度损失比率 (HLR) 方法在检测慢性脊椎压缩骨折 (VCF) 中存在局限性.
- 准确的VCF检测对于患者管理和治疗规划至关重要.
研究的目的:
- 评估慢性VCF检测的HLR方法的局限性.
- 引入和评估一种新的方法,将深度学习 (DL) 与HLR集成,以提高VCF检测性能.
主要方法:
- 对589名患有慢性VCF的患者进行了回顾性分析.
- 四种方法进行了比较:只有HLR,只有DL,HLR+DL (阳性VCF检测) 和HLR+DL (阴性VCF检测).
- 使用Dice相似系数,灵敏度,特异性和AUROC来评估性能.
主要成果:
- 组合的HLR + DL (积极) 方法实现了最高的性能,AUROC为0.968,灵敏度为94.95%,特异性为90.59%.
- 只有HLR和HLR+DL (负) 方法显示出强大的歧视力 (AUROC分别为0.948和0.947).
- 只有DL的模型提供了最高的特异性 (95.92%),但敏感性较低 (82.83%).
结论:
- 只有HLR方法对检测慢性VCFs有局限性.
- 将DL模型与HLR集成显著提高了VCF检测性能.
- 综合方法为改善VCF诊断提供了一个有希望的策略.
