基于估计骨矿物质密度的骨质疏松症查的实用性,使用双向胸部X射线图与深度学习模型
Akifumi Yoshida1, Yoichi Sato2, Chiharu Kai1,3
1Department of Radiological Technology, Faculty of Medical Technology, Niigata University of Health and Welfare, Niigata. Japan.
Frontiers in medicine
|April 10, 2025
概括
这项研究表明,使用深度学习与双向胸部X射线 (CXR) 可以准确估计骨矿物质密度 (BMD) 骨质疏松症查. 这种方法改善了与单视图CXR相比的早期检测,为临床实践提供了一个有前途的工具.
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:
- 骨质疏松症显著增加脆弱性骨折风险,影响预期寿命.
- 早期发现骨质疏松症对于及时干预至关重要.
- 双X射线吸收计 (DXA) 是骨矿物质密度 (BMD) 测量的黄金标准,但查使用率较低.
研究的目的:
- 评估基于深度学习的BMD估计的临床实用性,使用双向胸部X射线 (CXR) 进行骨质疏松症查.
- 用不同的CXR输入类型 (正面,侧面,双向) 来比较BMD估计的准确性.
主要方法:
- 使用了1624名年龄≥20岁的DXA和双向CXR图像患者的数据集.
- 在Inception-ResNet-V2深度学习模型中,使用前置,横向和双向CXR输入进行训练.
- 通过将模型估计与DXA测量进行比较,评估了BMD估计性能.
主要成果:
- 双向CXR模型在BMD估计中表现出最高的准确性.
- 模型估计和DXA测量之间的相关系数为腰椎0.766和大腿骨0.683.
- 使用双向CXR检测骨质疏松症,与单视图CXR相比显示出更高的灵敏度 (92.8%) 和特异性.
结论:
- 双向CXR,当与深度学习一起使用时,可以提高BMD估计的准确性和骨质疏松症查的有效性.
- 这种方法为早期发现骨质疏松症提供了一种新的,可能更容易获得的方法.
- 提出的使用双向CXR的深度学习模型显示,作为骨质疏松症查的临床决策标准具有前途.
