基于深度学习的预测,皮肤造术期间使用手术前计算机断层扫描进行骨质水泥泄漏:模型开发和验证
Ruiyuan Chen1, Tianyi Wang1, Xingyu Liu2,3,4
1Department of Orthopedics, Beijing Chaoyang Hospital, Capital Medical University, Beijing, China.
Spine
|July 14, 2025
概括
一个深度学习模型使用CT扫描准确地预测皮肤穿整形术期间的骨水泥泄漏亚型. 这种人工智能工具在多中心数据中展示了通用性,并有助于手术决策.
科学领域:
- 医学成像分析 医学成像分析
- 人工智能在医学中的应用
- 脊柱外科手术 脊柱外科手术
背景情况:
- 深度学习 (DL) 在医学图像特征提取方面表现出色,但从手术前图像中预测骨质水泥泄漏 (BCL) 亚型的模型缺乏.
- 穿皮囊整形 (PKP) 是骨质疏松性脊椎压缩骨折的常见手术,其中BCL是潜在的并发症.
- 准确预测BCL亚型对于优化手术规划和患者结果至关重要.
研究的目的:
- 开发和验证一种深度学习 (DL) 模型,用于预测皮肤穿整形术 (PKP) 期间的骨质水泥泄漏 (BCL) 亚型.
- 用多中心数据评估模型的有效性和通用性.
- 为了比较DL模型与脊椎外科医生在预测BCL亚型方面的表现.
主要方法:
- 一项回顾性研究,利用内部和外部数据集进行DL模型开发和测试.
- 集成一个脊椎细分模块 (3D U-Net) 和一个分类模块 (3D ResNet-50) 用于BCL亚型预测.
- 使用精度,曲线下的面积 (AUC),灵敏度和科恩的卡帕系数进行性能评估,将DL模型与脊柱外科医生进行比较.
主要成果:
- 在内部数据集上,DL模型实现了高脊椎段识别精度 (96.9%) 和有利的AUC值 (0.734-0.831) 和灵敏度 (0.649-0.900).
- 该模型在外部数据集上展示了稳定和可概括的性能,具有类似的AUC值 (0.709-0.818) 和灵敏度 (0.706-0.857).
- 在预测BCL亚型方面,DL模型的表现优于非专业的脊椎外科医生,除了II型外.
结论:
- 开发的DL模型在预测BCL亚型方面表现出令人满意的准确性,可靠性,概括性和可解释性.
- 该模型的性能超过了非专业的脊椎外科医生,为骨质疏松性脊椎压缩骨折的手术前决策提供了宝贵的见解.
- 这种人工智能驱动的方法有可能增强手术规划并改善PKP程序中的患者结果.
