深度学习模型用于在胸腔椎CT上自动检测新旧的脊椎骨折
Jianan Chen1, Song Liu1, Yong Li2
1Sun Yat-Sen Memorial Hospital Department of Orthopedics, Guangzhou, China.
概括
一个新的深度学习系统在CT扫描上准确地细分脊椎压缩骨折,并区分新旧骨折,帮助临床决策. 这种人工智能工具在改善骨折评估方面表现有前途.
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:
- 脊椎压缩骨折很常见,需要准确和及时的诊断.
- 区分新鲜和旧骨折对于适当的患者管理至关重要.
- 当前的诊断方法可能耗时,可能需要主观解释.
研究的目的:
- 开发一种深度学习系统,用于对脊椎体进行自动细分,在胸脊柱CT扫描上进行压缩骨折.
- 为了使系统能够区分新鲜和旧的骨折.
- 将开发系统的诊断效率与人类临床医生的诊断效率进行比较.
主要方法:
- 利用来自238个脊椎的胸脊柱CT扫描数据集进行训练和验证.
- 采用3D V-Net模型用于脊椎体细分和ResNet/DenseNet模型用于骨折分类.
- 使用诸如子相似系数 (DSC) 和ROC曲线下的面积 (AUC) 等指标评估模型性能.
- 将人工智能系统的性能与两位经验丰富的临床医生进行了比较.
主要成果:
- 3D V-Net 模型在脊椎细分方面实现了 0.90 的 DSC.
- ResNet18在验证中表现出优异的分类性能,AUC为0.96在验证中,0.89在外部和0.87在前数据集中.
- 在外部和前性验证中,深度学习系统在区分骨折年龄方面表现优于两名临床医生.
结论:
- 开发的深度学习模型准确地对脊椎体进行细分,并将压缩骨折分类为新鲜或旧.
- 这种人工智能系统有可能帮助临床医生做出有关脊椎骨折的更知情和更有效的临床决策.
