通过使用深度学习算法在X射线上测量关节的侧向中心边角来评估形
1School of Medicine, Tongji University, Shanghai, 200092, People's Republic of China.
International journal of general medicine
|August 27, 2025
概括
一个深度学习算法准确地测量关节横向中心边缘角 (LCEA) 在X射线上, 证明有效诊断形. 与手动测量相比,这种自动化方法具有很高的准确性和可靠性.
科学领域:
- 放射学和医学成像
- 医疗保健中的人工智能
- 整形医学
背景情况:
- 部发育不良的诊断依赖于侧面中心边缘角度 (LCEA) 的准确测量.
- 手动测量LCEA可能耗时且受观察者之间的变化影响.
- 使用人工智能的自动化方法提供了提高效率和一致性的潜力.
研究的目的:
- 评估深度学习算法在X射线图像上自动测量关节LCEA的有效性.
- 将LCEA自动测量的准确性和可靠性与放射科医生的手动测量进行比较.
- 评估深度学习算法的诊断性能.
主要方法:
- 一项对231名患者 (462名部) 进行双侧部X射线的回顾性研究.
- 放射学家对深度学习模型的训练进行了注释.
- 使用类内相关系数 (ICC) 和ROC分析,将自动化LCEA测量与手动测量进行比较.
主要成果:
- 在手动和自动LCEA测量之间没有发现显著差异 (P>0.05).
- 观察到高的一致性:左的ICC为0. 936;右的ICC为0. 902.
- 该算法在诊断关节发育不良时具有88. 64%的灵敏度和95. 67%的准确性,曲线下的面积 (AUC) 为0. 917.
结论:
- 深度学习算法有效地在X射线上测量双边部LCEA.
- 这种自动化方法在诊断部发育不良时具有很高的准确性和可靠性.
- 这种人工智能工具有助于改善关节发育不良的评估.
