基于深度学习的计算机辅助分级从MRI图像的椎脊柱狭窄症:准确性和临床对齐
Zhiling Wang1, Xinquan Chen1, Bin Liu1,2
1Fifth Affiliated Hospital of Sun Yat-sen University, Department of Spinal Surgery, 52 East Meihua Rd, Xiangzhou, Zhuhai 519000, China.
Bioengineering (Basel, Switzerland)
|June 26, 2025
概括
深度学习卷积神经网络 (CNN) 准确地评估椎脊柱狭窄,与临床医生高度一致,与症状有中等相关性. 这些模型在临床环境中提供了自动诊断支持的潜力.
科学领域:
- 放射学和医学成像学 医学成像学
- 人工智能在医学中的应用
- 脊柱外科手术 脊柱外科手术
背景情况:
- 椎脊柱狭窄症分级对于患者管理至关重要.
- 目前的分级依赖于主观的临床医生解释,导致变化.
- 深度学习为客观和一致的评估提供了潜力.
研究的目的:
- 应用深度学习卷积神经网络 (CNN) 算法来分级椎脊柱狭窄.
- 评估CNN评分与临床医生评估的一致性.
- 为了将基于CNN的评分与患者的临床表现相关联.
主要方法:
- 对954个椎脊椎MRI扫描的回顾性分析.
- 深度学习CNN的应用 (分类,目标检测,关键点定位) 用于狭窄分级.
- 模型预测与临床医生分级的比较以及与临床症状的相关性.
主要成果:
- EfficientNet_B5模型实现了79.45%的准确性和与专家临床医生近乎完美的一致性 (κ=0.848).
- 模型的性能超过了住院医生协议 (κ=0.732).
- 美国有线电视新闻网 (CNN) 的评分显示,与临床症状的相关性中等,与临床医生的评估相比.
结论:
- CNN模型提供了椎脊柱狭窄的客观,一致和有效的分级.
- 这些算法在临床实践中显示了自动诊断支持的巨大潜力.
- 深度学习提高了脊柱狭窄评估的可靠性.
