![Quantitative [18F]-Naf-PET-MRI Analysis for the Evaluation of Dynamic Bone Turnover in a Patient with Facetogenic Low Back Pain](/_next/image?url=https%3A%2F%2Fcloudfront.jove.com%2FCDNSource%2Fteasers%2F58491.jpg&w=3840&q=50)
开发一个深度学习放射学模型,结合腰部CT,多序MRI和临床数据,预测腰部融合后高风险的相邻细分退化:一项回顾性多中心研究
Congying Zou1, Tianyi Wang1, Baodong Wang1
1Department of Orthopedic Surgery, Beijing Chao-yang Hospital, Capital Medical University, Beijing, China.
Global spine journal
|June 9, 2025
概括
一个结合临床数据,深度学习放射学 (DLR) 和放射学特征的新模型准确地预测腰部融合后相邻细分退化 (ASDeg) 风险. 这种工具可以帮助减少修复手术和医疗保健成本.
科学领域:
- 放射学 放射学是一门学科.
- 医疗成像医学成像
- 医疗保健中的机器学习
背景情况:
- 邻侧细分退化 (ASDeg) 是腰部融合手术后的一个常见并发症.
- 预测患有ASDeg高风险的患者对于改善外科手术结果和降低修订率至关重要.
研究的目的:
- 开发和验证高风险ASDeg患者的预测模型.
- 该模型整合了临床数据,深度学习放射学 (DLR) 和CT和MRI的放射学特征.
主要方法:
- 对305名经历腰部融合的患者进行了回顾性队列研究.
- 为DLR开发基于3D的视觉转换器深度学习模型.
- 使用LASSO回归和14个机器学习算法的评估来选择特征.
主要成果:
- 结合了21个放射性,12个DLR和3个临床特征的综合模型,证明了高预测性能.
- 曲线下的面积 (AUC) 值为0.993 (培训),0.936 (内部验证) 和0.835 (外部测试).
- 组合模型的表现超过了两位经验丰富的外科医生所做的预测.
结论:
- 一个合并了临床,DLR和放射性特征的验证模型有效地识别了患有ASD高风险的患者,例如.
- 这种预测工具有可能尽量减少与ASDeg相关的修复手术,并减轻医疗保健负担.
