基于深度学习的决策和结果预测,青少年异常学脊椎病患者的后背手术
Kai Chen1, Xiao Zhai1, Ziqiang Chen1
1Department of Orthopedics, Shanghai Changhai Hospital, Shanghai, 200433, China.
Scientific reports
|January 27, 2025
概括
深度学习模型可以通过预测结果来帮助青少年异常学脊椎病 (AIS) 的手术决策. 多层感知器模型在预测AIS患者的脊柱坐标方面表现最好.
科学领域:
- 脊柱外科手术 脊柱外科手术
- 整形外科手术 整形外科手术
- 人工智能在医学中的应用
背景情况:
- 青少年异常学脊椎病 (AIS) 手术治疗缺乏标准化的决策和个性化策略,尽管有许多分类系统.
- 准确预测手术结果对于优化AIS患者治疗计划至关重要.
研究的目的:
- 开发和评估深度学习 (DL) 模型,用于预测AIS患者在冠状元平面上的外科结果.
- 将影响手术结果的关键因素纳入DL模型,以帮助手术决策和个性化治疗.
主要方法:
- 收集了425名经过后脊柱固定治疗的AIS患者的数据,包括人口统计,手术前和后续成像数据.
- 通过对图像数据进行参数化并将各种数据类型转换为统一的高维特征空间,预处理变量.
- 设计并比较了四种DL模型:多层感知器,编码解码器,CNN-LSTM注意力和深度FM,使用70%用于训练和30%用于评估.
主要成果:
- 多层感知器 (MLP) 模型表现出卓越的性能,平均平方误差 (MSE) 为2.77 × 10−5,平均绝对误差 (MAE) 在验证集上为0.00350.
- MLP模型的预测与实际的手术后脊柱坐标密切匹配,特别是在Lenke类型1和5AIS患者中.
- 所有四种DL模型都显示出预测外科手术结果的潜力,MLP在这个队列中是最有效的.
结论:
- 深度学习模型提供了有效的决策支持,用于手术干预青少年特异性脊椎病的手术干预.
- 在AIS中,MLP模型对预测冠状平面外科手术结果充满希望,从而促进个性化治疗策略.
- 建议对DL模型进行进一步的改进,使用更大的数据集和调整的学习曲线,以增强未来的应用.
