深度学习模型的比较分析用于早期检测骨关节炎使用膝盖放射:一项回顾性研究
Ajay Sharma1, Jujhar Singh2, Appan Kumar1
1Department of Orthopaedics, Dr. Baba Saheb Ambedkar Medical College & Hospital, New Delhi, India.
Journal of clinical orthopaedics and trauma
|October 13, 2025
概括
ResNet-50在通过X射线图检测早期膝关节关节炎方面表现出卓越的性能. 这种深度学习模型提供了高精度和一致性,为自动选铺平了道路.
科学领域:
- 医疗成像医学成像
- 医疗保健中的人工智能
- 整形外科 整形外科 整形外科
背景情况:
- 膝关节骨关节炎 (OA) 是一种广泛的退行性关节疾病,导致疼痛和残疾.
- 早期发现膝关节OA对于及时治疗和疾病进展管理至关重要.
- 深度学习模型显示了从X射线图中自动检测OA的潜力,但早期阶段的比较研究有限.
研究的目的:
- 评估和比较三个深度学习架构的性能,以早期检测膝盖关节炎.
- 通过使用放射性成像来评估定制CNN,ResNet-50和VGG-16模型的有效性.
主要方法:
- 进行了对1200张膝盖放射图 (1000张培训,200张验证) 的回顾性分析.
- 三个深度学习模型 (定制CNN,ResNet-50,VGG-16) 使用PyTorch进行了训练.
- 使用准确度,灵敏度,特异性和AUC-ROC来评估性能,使用Kellgren-Lawrence分级系统使用专家整形外科医生的基础真相.
主要成果:
- ResNet-50获得了最高的性能:精度为0.912,灵敏度为0.908,特异性为0.916,AUC为0.934.
- VGG-16和定制CNN的性能指标较低 (准确率分别为0.887和0.853).
- 在人工智能预测和专家评估之间观察到强烈的观察者间一致性 (kappa = 0.83),人口统计学子组的表现一致.
结论:
- 该ResNet-50架构是最佳的早期膝关节关节炎检测,提供高精度和高效的处理.
- 它在人口统计学方面的一致性和与专家评估的强烈一致性表明,自动查在临床实施中的潜力.
- 这项研究强调了深度学习在可靠,自动化早期检测膝关节OA方面的潜力.
