通过使用卷积神经网络的深度学习,从普通放射图中预测宫脊髓炎性骨髓病

科学领域:

• 放射学和医学成像学 医学成像学
• 医疗保健中的人工智能
• 脊柱外科和诊断 脊柱外科和诊断

背景情况:

• 椎脊髓炎 (CSM) 和椎脊髓炎 (CSR) 是使人衰弱的脊柱疾病.
• 准确及时诊断对于有效管理和预防神经损伤至关重要.
• 简单的椎脊柱放射是常见的初始成像方式.

研究的目的:

• 开发和验证使用卷积神经网络 (CNN) 的深度学习算法 (DLA).
• 通过使用普通的椎脊椎放射图来分类椎脊椎骨髓病 (CSM) 和椎脊椎骨髓病 (CSR).
• 从成像数据中预测脊髓运河面积率.

主要方法:

• 两名DLA被训练使用CNN在普通放射图 (C3-C6) 上进行CSM和CSR的二进制分类.
• 内部验证 (IV) 涉及300名患者 (150名CSM,150名CSR) 使用五倍交叉验证.
• 外部验证 (EV) 包括100名患者 (50名CSM,50名CSR),评估AUC,准确性和概率的表现.

主要成果:

• 在静脉注射期间,AUC范围从0.84到0.96,准确度在78%到95%之间.
• 在EV中,DLA实现了0.96的AUC和90%的分类准确度.
• 脊柱通道面积率预测的相关系数在0.57到0.64 (IV) 之间,平均值为0.61在EV.

结论:

• 基于CNN的DLA在从普通放射图中对CSM和CSR进行分类时显示出高准确度.
• 这些算法可以帮助非专家识别需要进一步评估的患者.
• DLA有潜力加速CSM和CSR的诊断和治疗启动.