射线学用于FAI的精确诊断:我们离临床翻译有多近? 一个单一中心训练模型的多中心验证
Eros Montin1,2, Srikar Namireddy3, Hariharan Subbiah Ponniah4
1Center for Advanced Imaging Innovation and Research (CAI2R), New York University Grossman School of Medicine, New York, NY 10016, USA.
Journal of clinical medicine
|June 26, 2025
概括
放射学和机器学习模型准确地对部疾病进行了分类,比如股骨支柱阻塞 (FAI). 这些人工智能工具显示出在临床环境中客观,数据驱动的诊断的前景.
科学领域:
- 放射学 放射学是一门学科.
- 人工智能的人工智能
- 整形外科 整形外科 整形外科
背景情况:
- 股骨支柱塞 (FAI) 是一种导致疼痛和骨关节炎的关节疾病.
- 由于主观解释和缺乏标准化的标准,对FAI的MRI诊断具有挑战性.
- 区分症状和无症状的FAI仍然很困难.
研究的目的:
- 开发和验证基于放射学的机器学习 (ML) 模型,用于分类健康,无症状和症状的FAI.
- 评估这些ML模型的诊断准确性和通用性.
主要方法:
- 从82名患者的部MRI扫描中提取了放射性特征 (健康,无症状,有症状的FAI).
- 16名ML分类人员经过四个步骤的特征选择过程后接受了培训.
- 模型在185例症状FAI病例的多中心队列上进行了外部验证.
主要成果:
- 交叉验证在区分健康,无症状和有症状的部方面达到高达90.9%的准确性.
- 外部验证显示,在识别有症状的FAI病例 (检测率) 中,准确率为100%.
- 基于基尼指数的特征选择证明优于F-统计方法.
结论:
- 这项研究引入了第一个放射学和ML的系统集成,用于FAI三种表型的分类.
- 放射性特征证明了FAI诊断的稳定性和通用性.
- 这些发现支持放射学和ML用于标准化,数据驱动的FAI诊断的临床应用.
