多个阶段的深度学习方法,用于自动化在类风湿性关节炎中进行放射性尖度得分预测

科学领域:

• 放射学 放射学是一门学科.
• 人工智能的人工智能
• 类风湿病学 类风湿病学

背景情况:

• 沙普-范德海德得分 (SvH) 对于从放射图像中量化类风湿性关节炎 (RA) 关节损伤至关重要.
• 用于RA评估的放射图像的手动评分是繁的,并且容易引起观察者之间的变化.

研究的目的:

• 开发和验证一个多阶段的深度学习模型,通过手动X射线图像在类风湿性关节炎患者中自动预测整体Sharp分数 (OSS).
• 建立一个有效和客观的方法来评估关节损伤在RA,可能减少对手工评分的依赖.

主要方法:

• 使用了四个阶段的深度学习框架:图像预处理,使用UNet进行手部细分,使用YOLOv7进行联合识别,并通过自定义视觉变压器 (ViT) 进行OSS预测.
• 该模型在679名患者的数据集上使用分层组三倍交叉验证进行了训练和验证,并对291名受试者进行了外部测试.
• 使用诸如交叉与联盟 (IoU),平均绝对误差 (MAE),根平均平方误差 (RMSE),Huber损失和类内相关系数 (ICC) 等指标来评估性能.

主要成果:

• 联合识别组件实现了99%的准确性.
• 视觉变压器 (ViT) 模型在OSS预测方面表现出强的表现,特别是在疾病负担较低的患者 (Sharp分数<50) 中.
• 实现了 4.9 的 Huber 损失, 9.73 的 RMSE 和 5.35 的 MAE,与专家得分有显著的相关性 (ICC = 0.702, P < 0.001).

结论:

• 本研究介绍了视觉变换器 (ViT) 在类风湿性关节炎中进行整体利得分 (OSS) 预测的首次应用.
• 拟议的自动化深度学习方法为评估RA关节损伤提供了有效和可靠的替代方案.
• 这种方法有可能简化评估过程并减少与手动评分放射图像相关的主观性.