深度学习用于识别后纵带带的椎骨化:系统性审查和元分析
Felix Corr1,2, Dustin Grimm2, Paul Leach1,3
1Faculty of Medicine and Health Sciences, University of Buckingham, Buckingham, UK.
Quantitative imaging in medicine and surgery
|March 31, 2025
概括
深度学习模型 (DLM) 在诊断后侧纵带带 (OPLL) 骨化方面表现出很高的准确性,优于人类诊断人员. 这些AI工具为宫OPLL检测提供了更高的准确性和亚型差异化.
科学领域:
- 脊柱外科手术 脊柱外科手术
- 放射学 放射学是一门学科.
- 人工智能在医学中的应用
背景情况:
- 后纵带带 (OPLL) 的骨化是宫骨髓病和手术并发症的关键原因.
- 传统的成像可能会错过OPLL,需要先进的诊断方法.
- 人工智能,特别是深度学习模型 (DLM) 对OPLL的诊断性能在很大程度上没有得到研究.
研究的目的:
- 系统地评估DLMs对宫OPLL的诊断和预测性能.
- 为了比较DLM诊断准确度与人类在检测OPLL方面的表现.
主要方法:
- 使用DLMs用于宫OPLL诊断的研究的系统审查和元分析.
- 纳入标准侧重于使用DLMs诊断或预测的成年患者.
- 使用QUADAS-2工具评估了偏差风险.
主要成果:
- 七项研究 (3373名患者) 显示DLM准确度为0.93,AUC为0.92.
- 与人类比较者相比,DLM的灵敏度 (0.86比0.77) 和准确度 (0.89比0.76) 较高.
- 在上椎和混合/连续OPLL亚型中,DLM表现优越.
结论:
- DLM显示了宫OPLL的强大的诊断性能.
- 将DLM整合到临床方案中可能会提高诊断准确性和亚型差异化.
- 进一步的研究应该解决DLM应用中的方法差异.
更多相关视频
07:09In situ Compressive Loading and Correlative Noninvasive Imaging of the Bone-periodontal Ligament-tooth Fibrous Joint
Published on: March 7, 2014
13.3K
07:12Laminectomy for the Removal of Thoracic Ossification of the Ligamentum Flavum TOLF Using Ultrasonic and Conventional Osteotomes
Published on: April 21, 2023
2.5K
