使用深度推理和学习模型对霍恩斯菲尔德单位进行自动体积测量评估:与DXA指标的相关性
Hans K Nugraha1, Vaida Goplin1, Linjun Yang2
1Department of Orthopedic Surgery, Mayo Clinic, Rochester, MN 55905, USA.
Journal of clinical medicine
|June 26, 2025
概括
一个新的深度推理人工智能模型自动测量脊柱骨密度的体积霍恩斯菲尔德单位 (HU). 这种AI与双能X射线吸收度 (DXA),骨矿物质密度 (BMD) 和T/Z-score具有很高的相关性.
科学领域:
- 放射学 放射学是一门学科.
- 人工智能的人工智能
- 骨健康 骨健康 骨健康
背景情况:
- 准确的脊柱骨密度评估对于骨健康评估和手术前规划至关重要.
- 传统的霍恩斯菲尔德单位 (HU) 测量受到单片分析的限制,影响了脊椎形患者的精度.
研究的目的:
- 开发和验证深度推理人工智能 (DR-AI) 模型,用于自动体积脊柱骨密度评估.
- 评估DR-AI体积HU测量与双能X射线吸收计 (DXA) 衍生骨矿物密度 (BMD) 和T/Z-score的相关性.
主要方法:
- 一项横截面研究分析了84名近期DXA评估的患者的腰部CT扫描.
- 使用完全自动化的DR模型,从腰椎软组织窗口计算体积HU.
- 斯皮尔曼相关系数评估了体积HU和BMD,T和Z分数之间的关系.
主要成果:
- 在体积HU和L1-L4脊椎的BMD,T和Z分数之间观察到显著的正相关性 (p < 0.0001).
- 在L2 (ρ = 0.75) 发现HU和BMD之间最强的相关性.
结论:
- DR模型提供了一种可靠,高效和精确的自动化方法,用于体积脊柱骨密度评估.
- 这种人工智能驱动的方法为评估骨健康提供了传统DXA测量的有希望的替代方案.
