基于非增强型胸部CT进行机会性骨质疏松症查的深度学习模型的应用:一个多中心的回顾性队列研究
Chengbin Huang1, Dengying Wu1, Bingzhang Wang2
1Department of Orthopaedics, The Second Affiliated Hospital and Yuying Children's Hospital of Wenzhou Medical University, Wenzhou, Zhejiang Province, China.
Insights into imaging
|January 10, 2025
概括
一个新的卷积神经网络 (CNN) 模型有效地使用胸部CT扫描来选骨质疏松症. 这种人工智能工具可以帮助临床医生识别有风险的患者并预防骨折.
科学领域:
- 放射学和医学成像学 医学成像学
- 医疗保健中的人工智能
- 骨健康和骨质疏松症
背景情况:
- 骨质疏松症是一个重大的健康问题,特别是对于中年和老年人来说,其中许多人对这种情况缺乏认识.
- 对骨质疏松症的机会性查非常重要,因为无增强型胸部计算机断层扫描 (CT) 的使用越来越多.
- 双能X射线吸收计 (DXA) 是骨质疏松症诊断的标准,但不经常用于查.
研究的目的:
- 开发和验证一个卷积神经网络 (CNN) 模型用于机会性骨质疏松症查.
- 为此查目的,利用非增强型胸部CT图像,特别关注脊椎体和骨肌肉.
- 为了比较开发的CNN模型与SMI模型在识别骨质疏松症患者中的性能.
主要方法:
- 一个回顾性收集的临床数据从患者,他们接受了不增强的胸部CT和DXA扫描.
- 将参与者分为培训和多个外部测试集,以进行可靠的模型验证.
- 构建和比较五个CNN模型,包括Densenet121,与SMI模型进行骨质疏松症预测.
主要成果:
- 所有开发的CNN模型都在预测骨质疏松症方面表现良好.
- 在三个外部测试组中,Densenet121模型获得了0.865的F1平均得分.
- 与SMI模型相比,Densenet121显示出更高的性能,曲线下的面积 (AUC) 从0.827到0.865.5不等.
结论:
- 一个CNN模型利用脊椎体和骨肌肉的无增强胸部CT图像可以有效地查骨质疏松症.
- 这种人工智能驱动的方法促进了机会性选,使得更早的干预成为可能.
- 早期检测和干预可以帮助临床医生预防骨质疏松症患者的脆弱性骨折.
