从使用深度学习的平面脊柱放射图来预测儿科骨密度的模型
Juntaek Hong1, Hyunoh Sung2, Joong-On Choi1
1Department and Research Institute of Rehabilitation Medicine, Yonsei University College of Medicine, 50-1 Yonsei-ro, Seodaemun-gu, Seoul, 03722, Republic of Korea.
Scientific reports
|April 15, 2025
概括
一种新的深度学习模型从脊柱X射线中准确预测儿科骨矿物质密度 (BMD),有助于早期发现儿童和青少年的骨质疏松症.
科学领域:
- 儿科放射学 儿科放射学
- 医学中的人工智能.
- 骨健康诊断 诊断 骨健康诊断
背景情况:
- 儿童骨质疏松症的了解很少,其特点是骨矿物质密度 (BMD) 低,骨折风险增加.
- 准确评估儿科BMD对于早期发现和治疗骨疾病至关重要.
研究的目的:
- 开发和验证一个深度学习模型,用于使用标准脊柱放射图来预测儿科BMD.
- 为有针对性的骨健康干预,将儿童分为低BMD组.
主要方法:
- 采用了两阶段的深度学习模型,利用Yolov8进行脊椎体检测和ResNet-18用于BMD预测.
- 该模型在601名儿科患者 (年龄在10-20岁) 的数据上进行了训练和验证,使用可用的双能X射线吸收度和放射学.
- 使用平均精度,相关系数,类内相关系数和接收器操作特征曲线下的面积等指标来评估性能.
主要成果:
- 该模型在检测脊椎体 (AP50=0.97) 和预测BMD (r=0.72) 方面表现出高准确度.
- 在不同的脊椎段中观察到一致的性能,与良好协议 (ICC=0.64).
- 该模型成功地将低BMD组分类为高灵敏度 (0.76) 和特异性 (0.87),达到0.85.8的AUC.
结论:
- 开发的深度学习模型显示,从普通的脊柱放射图来进行儿科BMD的非侵入性预测具有显著的前景.
- 这种方法可以提高儿童低骨密度的早期检测,并简化高风险人群的骨健康管理.
