预测面纤维发育不良的生长状态:基于计算机断层扫描图像的混合放射学和深度学习模型的探索性研究
Guozhi Li1, Hao Liu1, Zhiyuan Pan1
1Department of Oral and Cranio-Maxillofacial Surgery, Shanghai Ninth People's Hospital, Shanghai Jiao Tong University School of Medicine, Shanghai, China; College of Stomatology, Shanghai Jiao Tong University, Shanghai, China; National Center for Stomatology, Shanghai, China; National Clinical Research Center for Oral Diseases, Shanghai, China; Shanghai Key Laboratory of Stomatology, Shanghai, China.
Oral surgery, oral medicine, oral pathology and oral radiology
|December 26, 2024
概括
一种混合放射学和深度学习模型 (Model Rad+DL) 在区分青少年的活跃面纤维发育不良 (CFD) 进展与成年人的稳定疾病方面表现出卓越的表现. 这个模型为手术时间提供了显著的临床益处.
科学领域:
- 医学成像分析 医学成像分析
- 计算病理学计算病理学
- 生物医学工程 生物医学工程
背景情况:
- 面纤维发育不良 (CFD) 是一种罕见的骨疾病.
- 区分活跃与稳定的病变进展对于患者管理至关重要.
- 目前用于评估CFD进展的方法可能缺乏精度.
研究的目的:
- 开发和评估radiomics (Rad模型),深度学习 (DL模型) 和混合 (Rad+DL模型) 模型用于CFD进展评估.
- 要区分青少年的活跃病变进展和成年人的稳定进展.
- 确定这些模型在管理CFD中的临床实用性.
主要方法:
- 对148名CFD患者的CT扫描进行了追溯分析.
- 开发了三种不同的模型:放射学,深度学习和混合方法.
- 使用AUC,灵敏度,特异性,F1得分和决策曲线分析 (DCA) 评估模型性能.
主要成果:
- 混合模型Rad+DL在培训和验证组中都超过了个别的放射学和深度学习模型.
- 模型Rad+DL表现出优越的曲线下面积 (AUC) 值.
- 决策曲线分析表明,当值概率超过20%时,Rad+DL模型具有显著的临床益处.
结论:
- 混合放射学和深度学习模型 (Model Rad+DL) 显示出评估CFD进展的巨大潜力.
- 模型Rad+DL可以帮助确定成人CFD患者的最佳手术时间.
- 这种先进的建模方法在CFD管理中提供了更高的精度.
