基于人工智能的预测模型的开发,用于从全景射线图中诊断绝经后妇女的骨质疏松症

科学领域:

• 人工智能的人工智能
• 放射学 放射学是一门学科.
• 骨质疏松症研究 骨质疏松症研究

背景情况:

• 骨质疏松症对绝经后妇女构成重大健康风险.
• 目前用于骨质疏松症的诊断方法可能是侵入性的或昂贵的.
• 全景射线图 (OPT) 是广泛可用的牙科成像工具.

研究的目的:

• 开发和评估基于人工智能的骨质疏松风险评估预测模型.
• 为了利用全景放射图用于骨质疏松症的机会性查.
• 为了比较经典放射学,深度放射学和卷积神经网络 (CNN) 的性能.

主要方法:

• 从绝经后妇女收集了301个OPT,用DXA作为基本真相.
• 在245个OPT上训练并内部测试模型;在56个OPT上进行外部验证.
• 开发了使用经典放射学,深度放射学 (DenseNet-121) 和CNN (ResNet-50) 的模型.

主要成果:

• 经典放射学显示出有限的预测能力 (AUC = 0.514).
• 通过逻辑回归实现了深度放射学AUC = 0.722.2.
• ResNet-50 CNN获得了最高的外部验证AUC (0.786) 与90.5%的灵敏度.

结论:

• 人工智能模型显示了通过OPT进行机会性骨质疏松症查的潜力.
• 深度放射学和转移学习策略显示出有希望的结果.
• 进一步对不同种群进行验证对于临床实施至关重要.