深度学习用于对CT上的急性骨质疏松性脊椎骨折早期脊柱结核的歧视
Wenjun Liu1, Jin Wang2, Yiting Lei1
1Department of Orthopedics, First Affiliated Hospital, Chongqing Medical University, Chongqing, People's Republic of China.
Infection and drug resistance
|January 8, 2025
概括
深度学习模型准确地区分脊柱结核病 (STB) 和骨质疏松性脊椎压缩骨折 (OVCF),优于脊柱外科医生,并提供了一个有前途的诊断工具.
科学领域:
- 脊柱成像分析 脊柱成像分析
- 医学中的人工智能
- 在骨科中诊断的准确性
背景情况:
- 区分脊柱结核病 (STB) 和骨质疏松性脊椎压缩骨折 (OVCF) 对患者管理至关重要.
- 准确的早期诊断会影响治疗途径和患者的治疗结果.
研究的目的:
- 评估深度学习 (DL) 模型,以区分早期的STB与急性OVCF,并使用角CT图像.
- 提高诊断精度,减少对MRI和活检的依赖.
主要方法:
- 在373名患者的CT数据上训练并验证了DL模型 (MVITV2,Efficient-Net-B5,ResNet101,ResNet50).
- 将DL模型的性能与脊椎外科医生的盲目审查进行了比较.
- 评估模型使用准确度,精度,灵敏度,F1得分和AUC.
主要成果:
- 在内部验证中,MVITV2 DL模型实现了98.98%的准确性,100%的精度,97.97%的灵敏度和0.997 AUC.
- DL模型显著优于脊椎外科医生 (77.38%-93.56%的准确率).
- 外部验证证实了模型的稳定性和通用性.
结论:
- 与人类专家相比,DL模型在区分STB和OVCF方面表现出更高的准确性.
- 人工智能驱动的诊断为脊柱疾病评估提供了一个非侵入性的,具有成本效益的替代方案.
- 这些发现凸显了人工智能的潜力,可以彻底改变脊柱诊断和改善患者护理.


