从普通放射图片预测非形脊椎病:一种深度学习方法
Kellen L Mulford1, Hans K Nugraha2, Julia E Todderud2
1Orthopedic Surgery Artificial Intelligence Laboratory, Mayo Clinic, Rochester, Minnesota.
JB & JS open access
|November 24, 2025
概括
一个深度学习 (DL) 模型准确地从X射线图中分类儿科脊椎病变的病因,优于经验丰富的外科医生. 这种人工智能工具有助于识别对高级成像的需求,改善脊髓病理的诊断决策.
科学领域:
- 人工智能在医学中的应用
- 医学成像分析 医学成像分析
- 儿科整形外科 儿科整形外科
背景情况:
- 脊柱病有多种不同的病因,包括异常,先天性和脊髓异常.
- 在儿科患者中,先进的成像用于诊断脊柱病往往受成本,可行性和风险的限制.
- 人工智能 (AI) 提供了改善脊椎病病因学的放射性分类的潜力.
研究的目的:
- 开发和评估一个基于深度学习 (DL) 的图像分类器,用于儿科结病病因.
- 为了比较DL分类器的诊断性能与经验丰富的脊柱外科医生使用脊柱放射图.
- 评估人工智能的潜力,以提高诊断准确性和脊椎结石分类的效率.
主要方法:
- 使用了1036名患有脊椎病的儿科患者和配对放射图的数据集.
- 患者被手动分为异常,先天性或脊髓病理类别.
- 一个DL分类器 (EfficientNet B4) 在随机射线图上接受训练,用于使用精度,回忆和F1分数进行分类和性能评估.
主要成果:
- DL分类器获得了0.97的高F1-Score,在识别脊椎病变病因方面表现出色.
- 与经验丰富的脊椎外科医生相比,该模型的整体精度高 (0.96),回忆率高 (0.96),F1得分高 (0.96).
- 外科医生的准确性较低 (F1分数为0.79和0.71),诊断错误没有明确的模式,特别是在脊髓病理方面.
结论:
- 一个DL-卷积神经网络分类器准确地区分了儿科脊柱放射图上的三个主要的脊柱病因.
- 与经验丰富的脊椎外科医生相比,人工智能模型表现出优越的诊断性能.
- 这种人工智能工具可以帮助临床医生确定是否需要进一步的轴向成像,可能有助于早期检测脊髓病理.