基于转换器和卷积神经网络的深度学习模型的开发和验证,以预测青少年异常脊椎病的曲线进展

科学领域:

• 整形外科 整形外科 整形外科
• 放射学 放射学是一门学科.
• 人工智能的人工智能

背景情况:

• 预测青少年异常学脊椎病 (AIS) 曲线的进展对于有效的临床管理至关重要.
• 目前使用骨成熟度和科布角度的方法的预测准确性有限.
• 需要准确预测AIS进展,以指导早期治疗决策.

研究的目的:

• 开发和验证一个强大的,可解释的人工智能 (AI) 系统,用于预测AIS的进展.
• 为了利用深度学习 (DL) 模型,训练在站立的正面X射线图上,用于预测脊椎病的进展.
• 通过使用Grad-CAM评估不同DL模型的性能及其可解释性.

主要方法:

• 一项多中心研究包括542名患有AIS的患者,有2年的随访数据.
• 额头放射图被预处理并分为两个感兴趣的区域 (ROI).
• 训练了6个预训练DL模型 (CNN和变压器),并使用Grad-CAM进行解释.

主要成果:

• 整体DL模型实现了0.769 (ROI 1) 和0.755 (ROI 2) 的平均AUC.
• 变压器模型表现出全球关注 (脊柱,肋骨,骨盆),而CNN则专注于本地曲线顶部.
• 在标准化ROI 2上训练的模型的表现与ROI 1相比,表明可行性.

结论:

• 基于变压器的DL模型显示出从普通X射线图预测AIS进展的显著临床潜力.
• 该研究的多中心设计,高AUC值和可解释的AI支持将其整合到临床实践中.
• 人工智能驱动的预测可以帮助早期治疗AIS,改善患者的治疗结果.