对骨质疏松症查全景放射图的基于深度学习的评估:系统性审查和元分析
Ali Tarighatnia1, Masoud Amanzadeh2, Mahnaz Hamedan3
1Department of Medical Physics, School of Medicine, Ardabil University of Medical Sciences, Ardabil, Iran.
BMC medical imaging
|March 13, 2025
概括
深度学习模型显示出使用全景放射图诊断骨质疏松症的前景,实现高精度. 需要进一步的多中心研究来证实它们在风险人群中早期检测的临床有效性.
科学领域:
- 医疗成像医学成像
- 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:
- 骨质疏松症诊断传统上依赖于骨矿物密度 (BMD) 评估,这可能是侵入性的或昂贵的.
- 正在探索骨质疏松症的非侵入性查工具的骨质疏松图谱 (OPG) 放射.
- 手动分析OPG放射图的骨质疏松症指标具有挑战性,促使开发自动化方法.
研究的目的:
- 系统地审查和元分析深度学习 (DL) 模型的诊断准确性,以从OPG放射图中预测骨质疏松症.
- 评估DL模型在使用OPG图像识别骨质疏松症方面的性能.
- 通过OPG提供DL在骨质疏松症查中的临床实用性的证据.
主要方法:
- 在MEDLINE,Scopus和Web of Science进行了全面的文献搜索,截至2025年2月10日.
- 研究进行了相关性选,并使用双变的随机效应模型进行了元分析,以聚合诊断准确性.
- 进行了子组分析以调查异质性,并使用Deeks的漏斗图进行了出版偏差评估.
主要成果:
- 七项研究被纳入了元分析,分析了应用到OPG放射图的深度学习模型的数据.
- 深度学习模型显示AUC值范围广泛 (66.8-99.8%),灵敏度为59-97%,特异性为64.9-100%.
- 亚历克斯网表现出卓越的性能,灵敏度为0.89和特异性为0.99;在子组中没有发现显著差异,出版偏差很小.
结论:
- 深度学习模型从OPG射线图中实现了骨质疏松症诊断的80%灵敏度,92%特异性和93%AUC的整体准确性.
- 像AlexNet和ResNet这样的模型显示出非侵入性早期骨质疏松症检测的巨大潜力.
- 虽然有希望,但需要广泛的多中心研究来验证这些DL模型在不同风险人群中的有效性.
关键词:
深度学习是一种深度学习.诊断 诊断 诊断 诊断 诊断有机天然气 (OPG) 是一种天然气.骨质疏松症是一种骨质疏松症.全景射线图 (Panoramic Radiography) 是一个全景射线图.更多相关视频
06:59Author Spotlight: An Economic and Efficient Method for Quantitative Evaluation of Bone Microarchitecture in a Murine Osteoporosis Model
Published on: September 8, 2023
2.2K
09:02Cortical Bone Assessment Using Ultrasonic Guided Waves: A Reproducibility Study in a Healthy Population
Published on: January 31, 2025
367
