使用患者和放射性参数选择无膝关节整形候选人的机器学习模型
Anna E Duncan1, Arthur L Malkani2, Michael J Stoltz1
1School of Medicine, University of Louisville, Louisville, Kentucky, USA.
概括
一个新的机器学习模型使用患者数据和CT扫描来识别适合无膝关节整形术 (TKA) 的候选人. 这种工具实现了97.4%的特异性,有助于更好地选择患者进行这种共同的手术.
科学领域:
- 骨科手术
- 生物医学工程
- 医学的人工智能
背景情况:
- 无膝关节整形术 (TKA) 的使用量急剧增加,但客观的患者选择标准缺乏.
- 目前用于确定无水泥TKA的适用性依赖于主观评估.
- 需要标准化的放射性参数来选择无TKA患者.
研究的目的:
- 开发和验证可解释的机器学习模型,用于识别无TKA的患者.
- 利用患者的人口统计和放射性骨密度来改善TKA决策.
- 建立无TKA患者选择的客观标准.
主要方法:
- 开发了一种可解释的人工神经网络模型,包括BMI,年龄,性别和部霍恩斯菲尔德单位 (HU).
- 在手术前CT扫描中训练模型, 测量四个象限的骨密度.
- 采用局部可解释的模型不可知性解释 (LIME) 和包装组合技术.
主要成果:
- 该模型具有很高的准确性,能够识别22名结合TKA患者中的19名 (86.4%的敏感性) 和38名没有结合TKA患者中的37名 (97.4%的特异性).
- 该模型的曲线下面面积 (AUC) 为0.94,表明强大的预测性能.
- 在预测模型中,骨霍恩斯菲尔德单位作为骨矿物密度的有效替代品.
结论:
- 开发的机器学习模型显示了在无TKA中客观选择患者的巨大潜力.
- 该模型的高特异性 (97.4%) 表明它可以可靠地识别适合无水泥手术的患者.
- 未来的工作重点是扩大培训数据集和自动化Hounsfield Unit提取以提高临床效用.
