探索性研究可解释的深度学习用于预测骨矿物质密度,使用胸部X射线图上的关节骨特征:多任务方法与回归和细分
Yoshiyuki Iwao1, Kenshi Shiotsuki1, Fumio Hashimoto2,3
1Medical Technology Department, Oita University Hospital, Yufu City, Oita, Japan.
Journal of applied clinical medical physics
|November 24, 2025
概括
一种新的多任务学习模型通过分析关节的特征,通过胸部X射线准确预测骨矿物质密度 (BMD). 与传统方法相比,这种AI方法提供了更好的骨质疏松症查潜力.
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
- 骨健康研究 骨健康研究
背景情况:
- 双能X射线吸收计 (DXA) 是骨质疏松症诊断的标准,但未被广泛用于查.
- 开发可访问的骨质疏松症查工具对于早期干预至关重要.
研究的目的:
- 开发和评估一个多任务学习模型,从胸部X射线图中预测骨矿物质密度 (BMD).
- 用关节骨的特征来预测BMD,并确保模型可解释性.
主要方法:
- 开发了一个基于U-Net的多任务学习模型,集成了细分和回归任务.
- 分析了1600名胸部放射和DXA数据的患者.
- 模型性能与使用平均绝对误差 (MAE) 和皮尔森相关系数 (R) 的单任务模型进行了比较. 骨质疏松症分类的准确性通过重新分类分析来评估.
主要成果:
- 与单一任务模型 (MAE: 0.101 g/cm2, R: 0.724) 相比,多任务学习模型实现了优异的BMD预测 (MAE: 0.092 g/cm2, R: 0.769).
- 该模型显示了骨质疏松症,骨质疏松症和正常骨状况的更好的分类性能,错误分类较少.
- 梯度加权类激活映射证实了该模型的重点是对关节骨区域进行预测.
结论:
- 拟议的多任务学习模型通过分析关节的特征,有效地预测胸部X光片的BMD.
- 该模型显示性能有所改善,并提供临床相关的解释性,表明骨质疏松症查的潜力.
