使用深度学习对膝关节骨关节炎进行Kellgren-Lawrence分级:使用外部数据集进行诊断性能,并与四个阅读器进行比较
Elias Vaattovaara1,2, Egor Panfilov1, Aleksei Tiulpin1
1Research Unit of Health Sciences and Technology, University of Oulu, Oulu, Finland.
Osteoarthritis and cartilage open
|March 6, 2025
概括
一个深度学习 (DL) 模型在使用Kellgren-Lawrence (KL) 等级评估膝关节骨关节炎放射性严重性的高准确性. 它在外部数据集中的表现与经验丰富的人类读者的表现一致.
科学领域:
- 放射学 放射学是一门学科.
- 人工智能的人工智能
- 医疗成像医学成像
背景情况:
- 膝关节关节炎是一种常见的退行性关节疾病.
- 使用Kellgren-Lawrence (KL) 等级进行准确的放射性评估对于诊断和管理至关重要.
- 深度学习 (DL) 模型在医学图像分析中表现有前途.
研究的目的:
- 评估DL模型的诊断性能,以对膝关节骨关节炎进行分级.
- 将DL模型的准确性与外部数据集上的人类读者进行比较.
- 评估模型在确定凯尔格伦-劳伦斯 (KL) 成绩方面的能力.
主要方法:
- 一项回顾性研究包括208张膝盖前后射线图.
- 四名人类读者 (放射科医生和一名骨科外科医生) 给了KL等级.
- 一个在MOST上训练并在OAI数据集上验证的DL模型在外部数据集上进行了测试.
- 使用科恩的二次卡帕来评估协议;通过ROC分析来测量诊断性能.
主要成果:
- DL模型与人类读者达成了实质性的协议 (kappa 0.820).
- 多类诊断性能显示了0.372-1.000的灵敏度和0.691-0.974.97的特异性.
- 对于二分的KL分级 (KL0-1与KL2-4),平衡精度为0.902和AUC为0.967.
- 在DL模型和人类读者之间,评价者间的一致性从0.737到0.818.8不等.
结论:
- DL模型的诊断准确度与经验丰富的人类读者相提并论,用于膝关节骨关节炎分级.
- DL模型显示了作为一个客观和一致的评估膝关节骨关节炎严重程度的工具的潜力.
- 该模型在外部数据集上的性能表明可概括性.
