一种深度学习工具,用于在前后骨盆放射图上计算关节最小宽度
Lainey G Bukowiec1, Anish Kanabar2, Miguel M Girod2
1Mayo Clinic Department of Orthopedic Surgery, 200 First St, Rochester, MN, USA, 55905; Mayo Clinic Orthopedic Surgery Artificial Intelligence Lab, 200 First St, Rochester, MN, USA, 55905.
The Journal of arthroplasty
|August 23, 2025
概括
开发了一种自动化算法,用X射线测量关节空间宽度. 这种工具准确地量化了骨关节炎的进展,帮助患者的评估和研究.
科学领域:
- 放射学
- 医学成像
- 医疗保健中的人工智能
背景情况:
- 最小关节空间宽度 (mJSW) 是关节骨关节炎进展的关键定量指标.
- 与传统的分类分类相比,连续的mJSW测量具有优势.
研究的目的:
- 开发一种自动化的算法来测量本地部的mJSW.
- 为了在前后 (AP) 骨盆放射上进行精确的mJSW评估.
主要方法:
- 创建了一个结合深度学习细分和计算机视觉的端到端算法.
- 用于模型培训和验证,对300张X射线图进行了注释.
- 对75张来自骨关节炎倡议 (OAI) 的图像进行了外部验证.
主要成果:
- 与人类测量相比,该算法实现了0.87 ± 1.05 mm的平均绝对误差.
- 70% 的算法测量是在人体测量的 1 毫米以内.
- 对OAI数据的外部验证显示平均绝对误差为0.86±0.69mm.
结论:
- 已成功开发和验证了AP盆腔放射测量mJSW的自动化模型.
- 该算法显示出毫米以下的准确性,有可能改善患者的纵向监测.
- 这种工具可以简化关节骨关节炎的临床研究.


