在双平面放射成像中使用可解释的机器学习模型进行自动化脊椎病科布角分类
Jennifer Yu1, Yash S Lahoti1, Kyle C McCandless2
1Icahn School of Medicine at Mount Sinai, New York, NY.
Spine
|February 26, 2025
概括
机器学习有效地使用脊柱图像特征对脊柱脊柱严重程度进行分类. 这种自动化方法有助于准确的诊断和脊髓疾病的治疗规划.
科学领域:
- 脊柱成像分析 脊柱成像分析
- 机器学习在医疗保健中的应用
- 脊柱形的放射评估 脊柱形的放射评估
背景情况:
- 双平面放射学 (EOS) 影像提供高分辨率的脊柱曲率测量,用于评估脊椎变.
- 机器学习 (ML) 算法可以使用1D图像特征自动化Cobb角度分类,提高效率和准确性.
- 自动化分析减少了对手工测量的依赖,支持脊椎病管理中的临床决策.
研究的目的:
- 用一维特征分析量化脊柱病理在脊柱病患者的数量.
- 开发和评估基于科布角度的机器学习模型,用于基于科布角度的自动化脊椎病分类.
- 通过特征工程和ML来提高脊椎病严重程度评估的准确性和效率.
主要方法:
- 一项回顾性队列研究使用了816张注释EOS脊柱图像.
- 工程特征包括导数,里埃变换和曲线能量,XGBoost选择了前32名.
- 用分层抽样,低抽样和超抽样来解决类失衡,并进行10倍交叉验证和超参数优化.
主要成果:
- 随机森林模型实现了最高的性能,ROC AUC为91.8%,准确率为86.1%,F1得分为85.1%.
- 分层采样在处理类不平衡方面被证明是最有效的.
- SHAP值确定了关键预测特征,如脊柱曲线长度,提高了模型的可解释性.
结论:
- 功能工程与经典的ML相结合,可以通过科布角度有效地分类脊椎病的严重程度.
- 代表脊柱病理的可解释特征使得这种方法适合于自动化脊柱脊柱病管理工具.
- 经典的ML技术为开发用于复杂脊柱测量的自动化系统提供了实际解决方案.
