相关实验视频
Updated: Sep 19, 2025
05:52
Novel Mini-open Transforaminal Lumbar Interbody Fusion
Published on: June 6, 2025
202
一项关于使用深度学习放射学模型预测后腰椎体融合手术效率的研究
Liguang Fang1, Yingyi Pan1, Haige Zheng2
1Department of Medical Imaging, The Third Affiliated Hospital of Southern Medical University (Academy of Orthopedics Guangdong Province), Guangzhou 510630, China (L.F., Y.P., W.Z., J.L., Q.Z.).
Academic radiology
|June 1, 2025
概括
这项研究开发了一种使用临床数据,放射学和深度学习 (DL) 的综合模型,以预测后腰椎体融合 (PLIF) 手术的结果. 组合模型显示了PLIF手术疗效的优异预测性能.
科学领域:
- 脊柱外科手术 脊柱外科手术
- 医学成像医学成像
- 机器学习 机器学习
背景情况:
- 后腰部体融合 (PLIF) 是一种常见的腰部退行性疾病的手术程序.
- 预测PLIF手术的疗效对于患者的治疗结果至关重要.
- 当前的预测方法可能无法完全整合各种数据源.
研究的目的:
- 开发和评估一种用于预测PLIF手术疗效的综合模型.
- 整合临床数据,放射学特征和深度学习 (DL) 模型.
- 评估组合模型与单个模型的性能.
主要方法:
- 对461名因退行性腰部疾病接受PLIF治疗的患者进行了回顾性审查.
- 开发单独的临床,放射学和DL模型.
- 将这些模型集成到一个结合的预测模型中.
- 使用最少绝对收缩和选择操作员 (LASSO) 方法进行特征选择.
- 使用接收器运行特征 (ROC) 曲线和ROC曲线下的面积 (AUC) 的性能评估.
主要成果:
- 患者的年龄,体重和手术前的脊椎间距离被确定为危险因素.
- 带有扩展面罩的放射学模型在测试组中获得了0.749的AUC.
- DL模型表现出强的性能,在测试组中AUC为0.803.
- 组合模型在测试组中达到0.866的最高AUC,优于单个模型.
结论:
- 结合的临床,放射学和深度学习模型有效地预测了PLIF手术的术后疗效.
- 这种综合方法证明了良好的临床适用性,可以改善手术结果的预测.
- 该模型为腰部融合手术中个性化治疗策略提供了一个有前途的工具.
