一个深度学习模型用于使用双平面放射图进行青少年异常学脊椎病的放射测量
Kunjie Xie1, Suping Zhu2, Jincong Lin1
1Department of Orthopedics, Xijing Hospital, Air Force Military Medical University, Xi'an, 710032, China.
Journal of orthopaedic surgery and research
|March 4, 2025
概括
这项研究引入了一种人工智能模型,用于准确测量青少年异常学脊椎病 (AIS) 的脊柱对齐. 深度学习模型自动测量,显著减少诊断时间和协助临床医生.
科学领域:
- 医疗成像医学成像
- 医疗保健中的人工智能
- 脊柱外科手术 脊柱外科手术
背景情况:
- 精确测量脊柱对齐对于诊断和评估青少年异常学脊椎病 (AIS) 是至关重要的.
- 手动测量方法是主观的,耗时的.
- 现有的人工智能模型主要集中在冠状平面测量上,忽略了斜面平面.
研究的目的:
- 开发和评估一个深度学习模型,用于在双平面放射图中自动测量脊柱对齐参数.
- 与手动测量相比,评估AI模型的准确性和可靠性.
- 为了评估模型对AIS严重程度和形形异常的诊断性能.
主要方法:
- 基于ResNet34的深度学习模型被开发用于关键点检测和科布角 (CA) 测量.
- 使用了600个双平面放射仪,分为训练和测试套件 (比率3: 1).
- 用平均绝对差异 (MAD),类内相关系数 (ICC),线性回归,布兰德-阿尔特曼图,ROC曲线和混矩阵来评估模型性能.
主要成果:
- 人工智能模型实现了低误差 (MAD:2.15°冠状,2.72°角) 和高可靠性 (ICC:0.985冠状,0.927角).
- 在模型和黄金标准测量之间发现了强烈的相关性 (p < 0.001,r2 ≥ 0.686).
- 该模型显示了高的诊断准确度 (97.2%),灵敏度 (96.8%),特异性 (97.6%),和AUC (0.972),严重程度和形异常的分类准确度超过91.8%.
结论:
- 开发的深度学习模型准确地和自动地在双平面放射图中测量脊柱对齐参数.
- 该模型提供了可靠的结果,显著减少了诊断时间,并显示了协助临床医生在AIS评估中的潜力.
- 这种人工智能工具可以提高青少年特异性脊柱病的诊断和管理的效率和准确性.
