基于增强深度学习的渐进风险配方,在膝关节骨关节炎中预测全膝关节置换
Haresh Rengaraj Rajamohan1, Richard Kijowski2, Kyunghyun Cho1
1Center for Data Science, New York University, New York, 10011, NY, USA.
ArXiv
|April 8, 2025
概括
深度学习模型使用单次或多次扫描预测骨关节炎患者的全膝关节置换 (TKR) 需要. 一种新的渐进性风险配方通过考虑随时间推移的疾病进展来提高预测准确性.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 整形外科 整形外科 整形外科
背景情况:
- 膝关节关节炎是导致残疾的主要原因.
- 预测需要进行全膝关节置换 (TKR) 对于患者管理至关重要.
- 当前的预测模型通常会独立分析扫描,可能会错过疾病进展动态.
研究的目的:
- 开发深度学习模型来预测膝关节骨关节炎患者的TKR需求.
- 采用一种新的渐进式风险配方,以提高使用纵向数据的预测准确度.
- 为了从单个或多个扫描中实现TKR预测.
主要方法:
- 开发了使用双模型风险约束架构的深度学习模型.
- 从骨关节炎倡议 (OAI) 和多中心骨关节炎研究 (MOST) 的膝盖放射和MRI上训练有素的模型.
- 强制在训练期间对多次扫描的患者实施渐进风险制定约束,以确保风险稳定或随着时间的推移而增加.
主要成果:
- 与基线常规模型相比,拟议的模型显示出更高的性能.
- 在OAI放射测试套件上实现了0.87的AUROC和0.47的AUPRC,用于1年的TKR预测.
- 在MOST放射学和OAI和MOSTMRI测试套件上表现优于基线模型,显示出一致的改进.
结论:
- 具有渐进风险配方的深度学习模型可以准确地预测膝关节骨关节炎中TKR需求.
- 这种新的方法通过考虑疾病进展来提高预测能力,优于传统方法.
- 这项技术有望改善骨关节炎护理中的患者管理和手术规划.
