一个基于人工智能的管道用于骨质疏松症/骨质疏松症的预测,使用部放射图

科学领域:

• 放射学和医学成像学 医学成像学
• 医疗保健中的人工智能
• 骨健康诊断 诊断 骨健康诊断

背景情况:

• 骨质疏松症和骨质疏松症带来了重大的公共卫生挑战,通常是晚发现的.
• 目前的诊断方法,如DXA扫描,可能无法获得或昂贵.
• 需要可访问的工具来识别常规成像中的有风险的个体.

研究的目的:

• 开发和验证一个人工智能工具来诊断骨质疏松症/骨质疏松症使用部X射线图.
• 为了改善患者管理,将股骨图像分类为风险类别.
• 加强早期检测和骨密度损失的预防策略.

主要方法:

• 人工智能模型训练了来自2691张部X射线图的3227张单部图像.
• 预处理包括图像分割,假肢识别和股骨裁剪.
• 模型在单独的测试 (826张图像) 和评估 (313张图像) 集中得到验证.

主要成果:

• 在预处理中的高精度:99.0% (股骨分类),99.3% (假肢检测),99.2% (股骨裁剪).
• 预测模型实现了骨质疏松症/骨质疏松症检测的AUC为86.6% (测试组) 和81.0% (评估组).
• 人工智能工具在识别风险类别方面表现强.

结论:

• 人工智能管道显示出从部放射图中预测骨质疏松症/骨质疏松症的巨大潜力.
• 这个工具可以帮助DXA扫描分类和骨密度损失的偶然发现.
• 人工智能可以支持临床决策,特别是在资源有限的环境中.