一种放射学和深度学习的诺姆图 (nomogram) 已开发并验证,用于预测多次钻探后患有骨髓缩的患者的无崩生存率
Fan Liu1, De-Bao Zhang1, Shi-Huan Cheng2
1Department of Orthopedics, the First Hospital of Jilin University, Changchun, Jilin Province, 130021, China.
BMC medical informatics and decision making
|January 15, 2025
概括
放射学和深度学习预测,在多次钻探后,股骨头骨硬化患者的无崩生存率. DLRC模型在识别高风险个体以获得个性化治疗方面表现出卓越的表现.
科学领域:
- 整形外科和成像分析分析
- 生物医学工程 生物医学工程
- 放射学 放射学是一门学科.
背景情况:
- 骨头骨髓缩 (ONFH) 存在崩的风险,需要准确的生存预测.
- 多次钻探是一种治疗选择,但识别合适的候选人需要精确的预后工具.
研究的目的:
- 开发和验证放射学和深度学习模型,用于预测经过多次钻探的ONFH患者的无崩生存率.
- 为了提高个性化治疗策略的患者分层.
主要方法:
- 从144名ONFH患者的骨盆放射图中提取了放射学和深度学习特征.
- 拉索-科克斯回归和科克斯回归用于特征选择和模型构建 (临床,放射学,DL和DLRC模型).
- 模型性能使用C指数,AUC,NRI,IDI,校准曲线和DCA进行评估.
主要成果:
- ARCO分类,骨髓胀和死角是崩的独立风险因素.
- DLRC模型表现出优异的预测性能,C指数为0.78和AUC值为0.83 (3年) 和0.87 (5年).
- DLRC模型显示了有利的校准和临床效用,有效地将患者分为高风险和低风险组.
结论:
- 一种新的放射学和深度学习方法 (DLRC模型) 准确地预测了多次钻探后在ONFH患者中没有崩的生存率.
- DLRC模型为风险分层提供了增强的歧视,校准和临床实用性.
- 该工具可以指导个性化治疗决策,并改善ONFH患者的治疗结果.
