人工智能用于腰椎脊柱狭窄症的细分和分类:当前方法的概述
E J A Verheijen1,2, T Kapogiannis3, D Munteh3
1Computational Neuroscience Outcomes Center, Department of Neurosurgery, Brigham and Women's Hospital, Harvard Medical School, Boston, USA. e.j.a.verheijen@lumc.nl.
概括
机器学习模型在细分和分类腰椎脊柱狭窄症 (LSS) 中表现出色. 深度学习方法,特别是U-Net,优于传统方法,但更广泛的临床使用需要标准化和外部验证.
科学领域:
- 放射学和医学成像学 医学成像学
- 人工智能在医学中的应用
- 脊柱诊断 脊柱诊断 脊柱诊断 脊柱诊断
背景情况:
- 腰椎脊柱狭窄症 (LSS) 是一种常见的疾病,由脊柱通道的退行性狭窄引起.
- 目前的诊断方法依赖于手动解释成像扫描 (MRI,X射线,CT),这是耗时且容易变化的.
- 缺乏标准化的分级系统有助于LSS评估的读者之间的变化.
研究的目的:
- 系统地审查现有的机器学习 (ML) 模型,用于细分和分类腰椎缩 (LSS).
- 为了确定ML应用在诊断LSS严重性的当前格局.
- 了解LSS分析中的各种ML算法的性能和局限性.
主要方法:
- 在主要数据库 (Cochrane Library,Embase,Emcare,PubMed,Web of Science) 中进行了系统的文献审查.
- 包括描述腰椎细分或LSS分类ML算法的研究.
- 使用适应的纽卡斯尔-太华尺度评估偏差风险,定性分析侧重于算法类型 (传统的ML与传统的ML). 深度学习) 和任务.
主要成果:
- 包括27篇文章,重点是细分 (9),分类 (16),或两者 (2),主要使用MRI数据.
- 机器学习算法在细分和分类任务中表现出色.
- 深度学习 (DL) 模型,特别是U-Net架构用于细分和U-Net/CNNs用于分类,通常优于传统的ML方法.
结论:
- 深度学习模型在LSS细分和分类方面表现优于传统ML.
- 由于结果和数据集的多样性,研究之间的直接比较是很困难的.
- 未来的研究应该优先考虑DL进行细分,采用标准化指标,使用公共数据集,并确保外部验证以实现通用性.
