深度学习辅助的查和诊断脊椎病:通过注意力增强的卷积神经网络对裸背图像进行细分
Xingyu Duan1,2, Xiaojun Ma1,2, Mengqi Zhu1,2
1Department of Orthopedics, General Hospital of Ningxia Medical University, Yinchuan, Ningxia, 750004, China.
Journal of orthopaedic surgery and research
|February 14, 2025
概括
一个新的深度学习模型,双重注意力UNet,有效地使用裸体背部图像来选脊椎结节症. 这种无辐射的方法显示了与医生可比的准确性,改善了早期诊断和治疗机会.
科学领域:
- 医疗成像医学成像
- 医疗保健中的人工智能
- 脊柱诊断 脊柱诊断 脊柱诊断 脊柱诊断 脊柱诊断
背景情况:
- 传统的脊柱体查方法耗费大量资源,可能推迟诊断.
- 早期检测对于有效的脊椎病治疗和管理至关重要.
研究的目的:
- 开发和评估一个深度学习模型,以有效地查脊椎病.
- 提高脊柱体脊柱病诊断的准确性和可访问性.
主要方法:
- 开发了一种双重注意力UNet模型,用于裸体背面图像的图像分割.
- 计算机视觉算法计算了脊椎结石症严重程度分类的背部不对称指数.
- 模型的性能与临床专家评估进行了比较.
主要成果:
- 双重注意力UNet模型实现了超过90%的准确性,准确性和回忆力,用于严重的脊椎病预测.
- 模型的0.93的脊椎病识别AUC超过了副首席医生 (0.92) 的水平.
- 在识别严重脊椎病的表现与临床专家的表现相当 (AUC 0.95-0.96).
结论:
- 双重注意力UNet模型提供了一种无辐射,非侵入性和具有成本效益的脊柱体查方法.
- 这种人工智能驱动的方法证明了与经验丰富的临床医生可比的诊断准确性.
- 该模型为大规模脊柱形查计划提供了一个有前途的工具.
