![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)
使用深度学习算法从盆腔放射图片中确定圣炎的存在.
Ming Xing Wang1, Jeoung Kun Kim2, Donghwi Park3
1College of Economics and Management, Wenzhou University of Technology, Wenzhou 325000, China.
Life (Basel, Switzerland)
|June 26, 2025
概括
一个深度学习模型有效地检测出从骨盆X射线的圣炎. 这种人工智能工具显示出高准确度,有助于早期诊断这种炎症状况.
科学领域:
- 放射学 放射学是一门学科.
- 人工智能的人工智能
- 医疗成像医学成像
背景情况:
- 深度学习 (DL) 在医学图像中的模式识别方面表现出色.
- 在临床环境中,DL越来越多地用于疾病诊断和预测.
研究的目的:
- 开发和验证使用骨盆前后 (AP) 放射图检测神经炎的DL模型.
- 评估DL模型的诊断性能与计算机断层扫描 (CT) 确认相比.
主要方法:
- 对1853名患有骨盆AP放射 (3706个关节) 的患者进行了回顾性分析.
- 在骨盆AP放射图上训练DL模型,以CT确认的圣炎作为参考标准.
- 数据集分为70%的培训和30%的验证集.
主要成果:
- DL模型实现了曲线下的面积 (AUC) 为0.871的左侧关节和0.869的右侧关节.
- 诊断准确率为左侧85.4%,右侧86.3%的圣关节.
- 该模型在识别神经炎方面表现出强的表现.
结论:
- 在盆腔AP放射图上训练有素的DL模型可以有效地帮助诊断神经炎.
- 该模型显示了用于诊断神经炎的临床应用的有希望的结果.
- 通过CT确认的诊断对于培训和验证DL模型至关重要.
