![Quantitative [18F]-Naf-PET-MRI Analysis for the Evaluation of Dynamic Bone Turnover in a Patient with Facetogenic Low Back Pain](/_next/image?url=https%3A%2F%2Fcloudfront.jove.com%2FCDNSource%2Fteasers%2F58491.jpg&w=3840&q=50)
使用MRI成像结果和临床风险因素诊断轴性脊柱关节炎的TabNet模型
Zhaojuan Zhang1, Yiling Pan1, Yanjie Lu2,3
1College of Information Engineering, China Jiliang University, Zhejiang, Hangzhou, China.
International journal of rheumatic diseases
|December 18, 2024
概括
这项研究开发了一种用于轴性脊柱关节炎 (axSpA) 的预测模型,使用神经关节MRI和临床数据. 组合模型实现了高精度,超过了单个方法.
科学领域:
- 风湿病学和医学成像分析.
- 医疗保健中的机器学习
背景情况:
- 轴性脊柱关节炎 (axSpA) 诊断可能具有挑战性,通常需要先进的成像和临床评估.
- 开发准确的预测模型对于早期和有效的患者管理至关重要.
研究的目的:
- 开发和验证 axSpA 的预测模型,使用神经关节MRI 发现和临床风险因素.
- 为了比较各种机器学习模型的诊断性能,包括TabNet,用于axSpA预测.
主要方法:
- 分析了一组942名患者 (707名axSpA,235名非axSpA),分为培训和验证组.
- 从骨关节MRI (炎症,结构性病变) 和六个临床风险因素中提取了特征.
- 用11个机器学习模型和TabNet创建临床,成像和组合模型.
主要成果:
- 六个成像特征被确定为重要的预测因素.
- 结合临床成像模型的表现优于独立模型的表现.
- 基于TabNet的组合模型实现了0.93的最佳AUC,其中关键预测因素包括关节空间变化,侵蚀,HLA-B27和CRP.
结论:
- 一个整合临床和SIJ-MRI数据的预测模型有效地区分axSpA与非axSpA.
- 与其他 axSpA 预测的机器学习模型相比,TabNet 显示出更高的诊断效率.
