用手指感应的人工神经网络预测手痛患者的关节炎

科学领域:

• 医疗成像医学成像
• 人工智能在医学中的应用
• 类风湿病学 类风湿病学

背景情况:

• 关节炎是一个日益严重的全球健康问题,导致关节损伤和移动性问题.
• 早期和准确的关节炎诊断对于有效的管理和治疗至关重要.
• 定量成像,如SUVmax的SPECT/CT,有助于测量关节炎症.

研究的目的:

• 开发和评估一个深度学习模型来预测手部关节炎的发展.
• 将深度学习应用于SUVmax测量以提高关节炎预测.
• 研究一种基于变压器的新型网络在关节炎诊断中的实用性.

主要方法:

• 开发基于变压器的手指感知人工神经网络 (FANN),结合手指嵌入.
• 应用FANN模型来预测关节炎使用从SPECT/CT获得的定量SUVmax数据.
• 使用夏普利增量扩展算法 (SHAP) 来解释模型预测.

主要成果:

• FANN模型实现了接收器操作特征曲线 (0.85) 下的高面积.
• 该模型在传统机器学习上表现出更高的性能,准确度为0.79.
• 在SHAP分析中,右手的近端间关节被确定为关键预测因子,与临床患病率保持一致.

结论:

• 手指感知人工神经网络 (FANN) 显著改善了手部关节炎的预测.
• 这种人工智能驱动的方法为关节炎诊断中的临床决策提供了有前途的工具.
• 这项研究强调了深度学习在分析风湿病的定量成像数据方面的潜力.