使用深度学习模型进行放射性骨质结构分析,用于早期风湿性关节炎诊断
Yun-Ju Huang1,2, Chiung-Hung Lin3,2, Shun Miao4
1Division of Rheumatology, Allergy and Immunology, Chang Gung Memorial Hospital, No.5, Fuxing St., Guishan District, Taoyuan, 333, Taiwan.
Journal of imaging informatics in medicine
|July 7, 2025
概括
深度学习模型可以自动分析手部放射图上的骨质,以帮助诊断早期类风湿性关节炎 (RA). 这些人工智能工具在识别微妙的变化方面表现有前途,有助于临床医生在早期RA检测和分类.
科学领域:
- 放射学 放射学是一门学科.
- 人工智能的人工智能
- 类风湿病学 类风湿病学
背景情况:
- 类风湿性关节炎 (RA) 涉及关节周围骨微观结构 (质地) 的变化,这些变化很难通过放射检测.
- 早期诊断RA对于有效的治疗和管理至关重要.
研究的目的:
- 开发和验证深度学习模型,用于从放射图片中对周关节纹理的定量评估.
- 预测早期的类风湿性关节炎 (RA) 诊断自动,没有人类解释.
主要方法:
- 两个深度学习模型,深度纹理编码网络 (Deep-TEN) 和ResNet-50,在早期RA患者和非RA对照者的手部放射图上进行了训练和验证.
- 模型的评估是基于细分的周关节纹理特征来预测RA概率的能力.
主要成果:
- 在预测RA时,ResNet-50模型在曲线下的面积 (0.73) 与Deep-TEN (0.69) 相比,实现了更高的面积.
- 两种模型的高纹理得分与RA的几率增加有显著关联,ResNet-50显示出更高的预测值.
- 深度学习模型显示,与RA风险组之间存在中度至强度的关联.
结论:
- 使用深度学习对周关节纹理进行完全自动化的定量评估是可行的.
- 这些人工智能模型可以帮助分类和早期检测类风湿性关节炎.
- 深度学习提供了一个潜在的工具,以提高早期RA诊断的放射性分析.
