深度学习工具的验证,用于检测偶然的脊椎压缩骨折

科学领域:

• 放射学 放射学是一门学科.
• 人工智能的人工智能
• 医疗成像医学成像

背景情况:

• 脊椎压缩骨折 (VCF) 很常见,特别是在老年人中.
• 在CT扫描中检测到的偶然的VCF可能会被错过或被错误诊断.
• 自动检测工具可以提高诊断的准确性和效率.

研究的目的:

• 评估深度学习算法 (CINA-VCF) 的性能,用于检测偶然的VCF.
• 在多个机构和成像供应商中验证CINA-VCF工具.

主要方法:

• 对50岁以上患者的匿名CT扫描 (n=474) 的回顾性,多中心,多国盲目的研究.
• 由CINA-VCF v1.0处理的图像;由3位放射学家的共识建立的基本真相.
• 总体分析的表现,根据VCF的严重程度,并与临床放射学报告进行比较.

主要成果:

• CINA-VCF实现了高性能,AUC为0.97,精度为93.7%,灵敏度为95.2%,特异性为92.9%.
• 对于严重的VCF (2-3级:89.7%-99.0%),灵敏度很好;对于不那么严重的骨折,特异性有所不同.
• 该工具在VCF检测方面表现优于现有的临床放射学报告.

结论:

• CINA-VCF深度学习工具在检测偶然的VCF方面表现出高准确性和概括性.
• 该工具的性能在各种子组中保持一致,支持临床实用性.
• 尽管存在与混杂病理有关的局限性,但该研究证实了CINA-VCF在现实临床环境中的有效性.