以解剖学为中心的深度学习提高了放射性神经炎检测中的概括性和进展预测

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:

• 轴性脊柱关节炎 (axSpA) 的诊断依赖于放射性评估.
• 提高axSpA深度学习模型的可通用性和预测能力至关重要.

研究的目的:

• 评估以解剖学为中心的深度学习是否提高了检测放射性神经炎的模型通用性.
• 确定这种方法是否可以改善疾病进展的预测.

主要方法:

• 以回顾的多中心研究,使用四个患者队伍的骨盆放射图.
• 训练了两个深度学习模型:一个以解剖学为中心的 (骨关节) 和一个标准的 (全线 X 图).
• 使用独立测试数据集的AUC,精度,灵敏度和特异性来比较模型性能;使用后续数据评估进展预测.

主要成果:

• 以解剖学为中心的模型在所有测试数据集中表现出卓越的性能 (AUC:0.899-0.957与0.853-0.947).
• 以解剖学为中心的模型实现了更高的准确性 (0.821-0.906对比0.770-0.850).
• 通过以解剖学为中心的模型确定的高风险患者在2年内患有放射性神经炎进展的几率增加了2.16倍.

结论:

• 以解剖学为中心的深度学习显著提高了用于检测放射性神经炎的模型的概括性.
• 这种方法增强了在轴性脊柱关节炎中疾病进展的预测.
• 开发的模型作为开源可用.