基于视觉变压器的深度学习模型,用于使用MRI进行全膝关节置换预测.
Chaojie Zhang1, Shengjia Chen1, Ozkan Cigdem1
1Department of Radiology, New York University Grossman School of Medicine, 227 E 30th St, 7th Fl, New York, NY 10016.
Radiology. Artificial intelligence
|July 16, 2025
概括
一个新的深度学习模型,MR-Transformer,使用MRI扫描准确预测膝关节骨关节炎进展到膝关节完全置换. 这种先进的模型与现有的膝盖核磁共振分析方法相比,显示出更高的性能.
科学领域:
- 放射学和医学成像学 医学成像学
- 人工智能在医学中的应用
- 整形外科和肌肉骨疾病
背景情况:
- 膝关节关节炎 (OA) 是导致残疾的主要原因,通常需要全膝关节置换 (TKR).
- 准确预测关节炎的进展对于及时干预和改善患者结果至关重要.
- 当前的预测模型往往缺乏足够的复杂性来充分利用复杂的MRI数据.
研究的目的:
- 开发和评估MR-Transformer,这是一个新的深度学习模型,用于预测膝盖OA进展到TKR.
- 利用ImageNet预训练和3D空间相关性来提高预测准确度.
- 将MR-Transformer的性能与多个MRI序列的最先进的深度学习模型进行比较.
主要方法:
- 353个骨关节炎倡议 (OAI) 和270个多中心骨关节炎研究 (MOST) 膝盖MRI数据集的回顾性分析.
- 包括四个MRI序列:COR-IW-TSE,SAG-IW-TSE-FS,COR-STIR和SAG-PD-FAT-SAT. 这四个MRI序列包括在内.
- 七重嵌套交叉验证以评估MR-Transformer与TSE-Net,3DMeT和MRNet之间的关系.
主要成果:
- 在所有MRI序列 (0.84-0.88) 中,MR-Transformer在接收器操作特征曲线 (AUCs) 下实现了高面积.
- 该模型在所有序列中 (P < .001) 与3DMeT相比显示出更高的AUC.
- 对COR-IW-TSE序列观察到最高的灵敏度 (83%) 和特异性 (83%).
结论:
- 使用MRI,MR-Transformer在预测膝关节OA进展到TKR方面表现出最先进的性能.
- 该模型能够集成ImageNet预训练和3D空间信息,从而提高预测能力.
- MR-Transformer代表了人工智能驱动的膝关节骨关节炎预后工具的重大进步.

