机遇性骨质疏松症查的人工智能与霍恩斯菲尔德单位在慢性阻塞性肺病患者

科学领域:

• 放射学 放射学是一门学科.
• 人工智能的人工智能
• 骨质疏松症研究 骨质疏松症研究

背景情况:

• 慢性阻塞性肺病 (COPD) 患者患骨质疏松症的风险增加.
• 准确的骨矿物质密度 (BMD) 评估对于治疗骨质疏松症至关重要.
• 目前 BMD 评估的方法可能不会在 COPD 患者中常规应用.

研究的目的:

• 评估人工智能 (AI) 原型用于确定慢性阻塞性肺病 (COPD) 患者的骨矿物质密度 (BMD) 的准确性.
• 评估AI驱动的胸部计算机断层扫描 (CT) 扫描对COPD患者机会性骨质疏松症查的有用性.

主要方法:

• 利用人工智能软件 (AI-Rad Companion Chest CT) 来自动识别,细分和测量 1877 名 COPD 患者和 1276 名健康检查参与者的胸椎的 Hounsfield 单位 (HU) 值.
• 使用线性回归,将HU值与定量CT (QCT) 衍生的BMD值 (T8-T12和T11-T12脊椎) 相对应.
• 使用接收器操作特征 (ROC) 曲线评估骨质疏松症的诊断性能.

主要成果:

• 在COPD患者 (R2=0.8630.927) 和健康检查参与者 (R2=0.8810.936) 中,HU和BMD值之间发现了强烈的相关性.
• 人工智能在区分正常的骨质疏松症,骨质疏松症和骨质疏松症组之间表现出很高的准确性 (P < 0.001).
• 骨质疏松症检测曲线下的面积 (AUC) 在COPD患者中为0.9440.961,在健康检查中为0.9700.982,具有高灵敏度和特异性.

结论:

• 人工智能软件在COPD患者的机会性骨质疏松症查中显示出高准确度.
• 这种人工智能驱动的方法可以作为一种有价值的补充工具,用于快速查患有骨质疏松症高风险的个体.
• 胸部CT扫描的自动化分析有望改善临床实践中的骨质疏松症检测率.