用视觉变压器进行补丁智能方法,用于检测脊柱放射学中植入物失败

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:

• 由于更多的手术和人口老龄化,脊柱植入器的失败率正在增加.
• 由于微妙的迹象和放射科医生的可用性有限,在X射线上早期检测脊柱植入物骨折是具有挑战性的.
• 目前用于脊柱植入物完整性的诊断方法经常错过失败的早期迹象.

研究的目的:

• 开发和验证基于视觉转换器的深度学习模型,用于检测脊柱植入物骨折.
• 评估这种人工智能工具对放射科医生在识别脊柱植入失败方面的表现的影响.
• 评估该模型作为脊柱植入物监测的分类工具的实用性.

主要方法:

• 一个基于DINOv2的视觉转换器模型被训练在9924个脊柱放射图上,以检测植入物和分析224x224像素的骨折.
• 该模型在1538张图像上进行了测试,其性能与三个放射科医生进行了比较,这些放射科医生使用和不使用人工智能协助进行了审查.
• 放射科医生的表现使用准确度,F1得分,精度,回忆和通用估计方程 (GEE) 分析进行了测量.

主要成果:

• 人工智能模型的回忆率为0.94,精度为0.37,F1得分为0.54,准确度为0.83.
• 在人工智能辅助下,放射科医生回忆能力从0.70提高到0.95,在最不经验丰富的阅读者 (0.49提高到0.92) 中最显著的改善.
• GEE分析显示了显著的诊断改善 (OR = 2.82,p < 0.001),特别是在杆骨折方面.

结论:

• 基于变压器的补丁智能方法在检测脊柱植入物骨折方面表现出高灵敏度.
• 人工智能辅助显著提高了放射科医生的诊断性能,特别是对于经验较少的读者.
• 这种人工智能模型显示出作为脊柱植入物监测的有效分拣工具的承诺,改善了早期检测率.