在轴性脊髓关节炎中自动检测脊髓骨髓胀:使用两个大型第三阶段试验数据集进行培训和验证
Amir Jamaludin1, Rhydian Windsor1, Sarim Ather2
1Visual Geometry Group, Department of Engineering Science, University of Oxford, Oxford, UK.
Rheumatology (Oxford, England)
|June 9, 2025
概括
机器学习模型显示,在轴性脊柱关节炎 (axSpA) 中,自动脊柱MRI骨髓胀 (BMO) 评分具有前途. 与专家评估相比,这些模型提供了更好的一致性和效率.
科学领域:
- 放射学和风湿病学 放射学和风湿病学
- 人工智能在医学中的应用
- 医学成像分析 医学成像分析
背景情况:
- 轴性脊柱关节炎 (axSpA) 是一种影响脊柱的慢性炎症性疾病.
- 在MRI上的骨髓 (BMO) 是 axSpA 中活跃炎症的关键指标.
- 准确和一致的BMO评分对于诊断和监测治疗反应至关重要.
研究的目的:
- 评估机器学习 (ML) 模型用于axSpA患者脊柱MRI BMO的自动评分.
- 为了比较机器学习模型与专家人类阅读器的性能.
- 评估ML提高BMO评估效率和一致性的潜力.
主要方法:
- 在686名axSpA患者的3483个脊柱MRI上训练并验证了ML算法.
- 测试了两种模型:一种没有手动细分,一种具有中间手动细分步骤.
- 模型的结果与专家得分进行了比较,使用了AUC,准确性和kappa统计数据等指标.
主要成果:
- 这两种ML模型在识别BMO时,与专家阅读器表现相似.
- 模型1 (没有手动细分) 的表现优于模型2,在一个数据集中达到0.94的AUC和75.8%的准确性.
- 模型1的性能类似于专家读者之间的变化,表明其潜在的可靠性.
结论:
- 机器学习软件在axSpA.中具有自动化MRI BMO评估的巨大潜力.
- 自动评分可以带来更好的一致性,降低成本,并尽量减少读者变化.
- 这项技术可以提高临床实践中BMO评估的效率和准确性.
