基于边缘投影三维成像的多任务学习,用于分类和预测青少年特异性脊柱病

科学领域:

• 骨科和生物力学
• 医学成像
• 医疗保健中的人工智能

背景情况:

• 青少年特异性脊椎病 (AIS) 评估传统上依赖于放射性成像,由于辐射暴露而带来风险.
• 目前的诊断模型通常使用单任务学习,这可能无法完全捕捉脊柱形的复杂几何特征.
• 目前方法的局限性需要开发非侵入性和更准确的AIS诊断工具.

研究的目的:

• 开发一种非侵入性,无辐射的诊断框架,用于青少年异常脊柱病 (AIS) 的评估.
• 克服放射成像和单任务学习模型在评估脊柱形方面的局限性.
• 创建一个能够同时预测Cobb角度,曲线类型和曲线方向的多任务深度学习模型.

主要方法:

• 使用通过边缘投影3D成像获得的结构后面数据.
• 开发和训练了一种多任务深度学习模型来预测Cobb角度,曲线类型 (胸部,腰部,混合,没有) 和曲线方向 (左,右,没有).
• 该模型从表面数据中学习了共享的形态特征,以便同时进行预测.

主要成果:

• 多任务模型的平均绝对误差 (MAE) 为2.9°,根平均平方误差 (RMSE) 为6.9°,显著超过单任务基线 (5.4°MAE,12.5°RMSE).
• 与放射测量结果有很强的相关性 (R = 0.96,R2 = 0.91).
• 在曲线分类方面获得高灵敏度 (89%为腰部/混合类型,80%为右侧,75%为左侧) 和正预测值 (87%为右侧曲线).

结论:

• 在多任务模型中共同学习相关的临床任务可以从表面数据中提取更强大的几何特征以进行AIS评估.
• 与传统的单任务方法相比,拟议的多任务学习框架提供更高的准确性和稳定性.
• 这种无侵袭,无辐射的方法为查和监测脊椎病提供了安全有效的替代方案,并有潜在的临床应用.