整合深度学习和机器学习,以在HRpQCT图像中改善CKD相关的皮质骨评估:试点研究

科学领域:

• 骨生物学和疾病
• 医学成像和人工智能 医学成像和人工智能
• 科和骨并发症

背景情况:

• 慢性病 (CKD) 显著影响骨健康,导致复杂的骨异常,这些异常很难用传统方法进行评估.
• 高分辨率的外围定量计算断层扫描 (HRpQCT) 提供了详细的骨微架构,但需要先进的分析才能在CKD中准确解释.
• 目前的成像技术,如DXA和CT在检测微妙的,CKD相关的骨变化方面存在局限性.

研究的目的:

• 开发和验证人工智能 (AI) 框架,结合深度学习和机器学习,以更好地评估CKD患者的骨异常.
• 增强皮层骨的自动细分,特别是在严重多孔性和不规则的内骨表面的情况下.
• 通过从HRpQCT图像中提取最大的信息来改善与CKD相关的骨变化的分类,旨在超越现有的成像措施.

主要方法:

• 开发深度学习模型,从手动注释数据中训练的HRpQCT图像中自动细分皮质骨.
• 从细分的骨区域使用灰级共发生矩阵 (GLCM) 提取纹理特征.
• 使用XGBoost机器学习算法与提取的特征对CKD与非CKD进行分类,在独立队列上进行验证.
• 将AI衍生结果与传统HRpQCT参数和有限元素分析 (FEA) 结果进行比较.

主要成果:

• 人工智能细分模型表现出强的表现,特别是在隔膜部位,在CKD病例中达到高的平均IOU和精度值 (例如0.97).
• 一个特定的人工智能模型 (来自腹腔骨的模型4) 在测试和验证数据集上取得了出色的分类性能,F1得分高达0.99和AUC高达0.99.
• 传统的HRpQCT参数,包括骨矿物质密度 (BMD) 和皮质多孔性,在所有部位上都不能一致区分CKD与非CKD.
• 综合AI方法显示,与标准DXA和HRpQCT结果相比,对CKD相关的皮质骨变化具有更高的敏感性.

结论:

• 一个创新的AI框架将HRpQCT与深度和机器学习相结合,使得受损内皮层表面的精确自动细分成为可能.
• 这种人工智能方法显著提高了与CKD相关的皮质骨变化的检测灵敏度,超过了传统的成像指标.
• 开发的AI模型为慢性病患者更准确,更敏感的骨评估提供了有希望的工具.