儿童骨质疏松症诊断中的人工智能:使用手腕X射线评估深度网络分类和模型解释性.
Chelsea E Harris1, Lingling Liu1, Luiz Almeida2
1Division of Physics, Engineering, Mathematics, and Computer Science, Delaware State University, 1200 N. Dupont Hwy., Dover, 19901, DE, USA.
Bone reports
|May 9, 2025
概括
机器学习模型在儿科手腕X射线中准确地识别了骨质疏松症,达到95.2%的准确性. 可解释的AI提供了洞察力,支持在临床环境中早期诊断骨质疏松症.
科学领域:
- 医学成像分析分析 医学成像分析
- 医疗保健中的人工智能
- 骨健康研究 骨健康研究
背景情况:
- 骨质疏松症是一种骨密度低的疾病,在全球范围内影响着数百万人.
- 诊断通常依赖于骨矿物质密度 (BMD) 评估.
- 机器学习 (ML) 显示出对医学图像分析的前景.
研究的目的:
- 用儿科手腕X射线评估骨质疏松症分类的深度学习网络.
- 应用可解释AI (XAI) 来解释模型决策.
- 评估ML在临床骨质疏松症诊断中的潜力.
主要方法:
- 利用六个深度学习网络 (包括CNN和变压器) 来进行二进制分类 (骨质疏松症与健康).
- 使用了GRAZPEDWRI-DX儿科手腕X射线数据集.
- 应用了两种XAI技术来对模型预测进行视觉解释.
主要成果:
- 深度网络有效地学习了区分骨质疏松和健康骨的特征.
- 在各种模型中实现了高分类准确率.
- 使用转移学习的DenseNet201实现了最高的准确率95.2%.
- XAI为模型的决策过程提供了可解释的见解.
结论:
- 深度学习模型在儿科手腕X射线中显示出明显的区别骨质疏松症与健康骨的能力.
- 高精度和可解释的解释的结合支持将ML集成到临床工作流程中.
- 这种方法有望为早期和更准确的骨质疏松症诊断提供希望.


