基于深度学习的机遇性骨质疏松症自动查使用胸部LDCT和腰部CT:一个多中心队列研究

科学领域:

• 放射学 放射学是一门学科.
• 医疗成像医学成像
• 人工智能的人工智能

背景情况:

• 骨质疏松症查对于预防骨折至关重要.
• 低剂量计算机断层扫描 (LDCT) 广泛用于胸部成像.
• 来自LDCT的自动骨矿物密度 (BMD) 测量可以实现机会性查.

研究的目的:

• 开发和验证深度学习 (DL) 方法,用于使用LDCT和腰部CT扫描进行自动化BMD测量.
• 评估DL方法用于骨质疏松症查的诊断性能.
• 评估该方法在不同CT扫描仪制造商和医院的通用性.

主要方法:

• 对4305名胸部LDCT和腰部CT扫描患者的回顾性研究.
• 利用四个卷积神经网络 (CNN) 进行自动脊椎体细分和BMD计算.
• 比较DL衍生的BMD与定量CT (QCT) 作为参考标准.
• 使用接收器操作特征曲线分析评估骨质疏松症和低BMD的诊断准确性.

主要成果:

• 从DL衍生出的BMD显示出良好的相关性 (R2=0.970-0.997) 和与QCT很好的一致性.
• 对于骨质疏松症的高诊断性能 (AUC = 0.993-1.000) 和低的骨质量 (AUC = 0.994-1.000).
• 在检测骨质疏松症和低BMD方面获得了高灵敏度 (96.55-100.00%) 和特异性 (92.75-100.00%).

结论:

• 拟议的DL方法证明了机会性骨质疏松症查的高诊断性能.
• 该方法有效用于使用LDCT和腰部CT扫描进行自动化BMD测量.
• DL方法在各种CT扫描仪和医疗保健环境中显示出稳健性.