基于深度学习的CT分级系统用于圣炎:一个多中心的研究表明,与人类读者相比,其精度和效率更高
Mengling Xu1, Zhihao Li2, Ningning Ding3
1Department of Radiology, Xi'an Fifth Hospital, Xi'an, China.
European journal of radiology
|December 2, 2025
概括
一个新的深度学习模型使用CT扫描准确地对轴性脊柱关节炎 (axSpA) 患者的圣炎进行评分. 与人类专家相比,这种人工智能工具显示出更高的灵敏度和效率,有助于对axSpA的诊断.
科学领域:
- 医疗成像中的人工智能
- 放射学和风湿病学 放射学和风湿病学
- 深度学习用于疾病诊断和诊断
背景情况:
- 圣炎是轴性脊柱关节炎 (axSpA) 的一个关键指标.
- 在CT图像上精确分类圣炎对于axSpA的诊断和管理至关重要.
- 当前的分级方法可能是主观的,耗时的.
研究的目的:
- 开发和验证深层卷积神经网络 (DCNN) 用于自动化神经炎分级.
- 与人类阅读器相比,评估DCNN的诊断准确性和效率.
- 在内部和外部验证数据集上评估模型的性能.
主要方法:
- 使用来自1341名axSpA患者的CT图像开发了一个3D-ResNet50 DCNN模型.
- 该模型在内部 (130名患者) 和外部 (249名患者) 数据集上进行了验证.
- 在模型和6名人类读者 (风湿病学家和放射学家) 之间比较了诊断灵敏度和阅读时间.
主要成果:
- 3D-ResNet50模型在训练,测试和验证套件中实现了高诊断准确率 (87.1%-89.9%).
- 在外部验证中,该模型的曲线下面积 (AUC) 值超过了人类读者的值,特别是在II级圣炎中.
- 与人类读者 (119.4s) 相比,DCNN显著减少了每例诊断时间 (2.74s).
结论:
- 开发的3D-ResNet50模型在分类神经炎方面表现出高的准确性和效率.
- 该模型的性能超过了风湿病学家和放射学家的性能,表明其潜在的临床实用性.
- 这种人工智能工具的整合可以帮助诊断和管理axSpA.
