脊椎骨折检测中的深度学习:对主体与脊椎水平方法的系统审查和元分析
Mohammad-Reza Hosseini-Siyanaki1, Babak Ahmadi2, Hakki Serdar Sagdic1
1Department of Radiology, University of Florida, Gainesville, Florida (M.H., H.S.S., A.R., S.M., A.R., A.D., K.R.P.).
Academic radiology
|December 6, 2025
概括
深度学习算法在检测脊椎骨折方面表现出高准确度. 主体级模型在高灵敏度的查方面表现出色,而脊椎级模型提供精确的定位和高特异性的诊断.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 放射学 放射学是一门学科.
背景情况:
- 深度学习 (DL) 算法越来越多地用于脊椎骨折检测.
- 评估DL表现需要解开主体级和脊椎级的方法.
- 了解技术和方法因素对于临床应用至关重要.
研究的目的:
- 进行对用于脊椎骨折检测的DL算法的上下文意识评估.
- 量化技术和方法因素对DL性能的影响.
- 为DL工具的临床使用和标准化报告提供指导.
主要方法:
- 一个符合PRISMA的五个数据库的系统审查 (搜索到2025年2月).
- 包括英语研究,报告脊椎骨折检测的准确度指标.
- 使用QUADAS-AI和层次总结ROC模型进行偏差风险评估.
主要成果:
- 包括36项研究 (96,956名患者);综合的受试者级别灵敏度/特异性为84%/91% (AUC 0.94),脊椎水平为80%/97% (AUC 0.96).
- 主体级模型优先考虑查的敏感性;脊椎级模型实现了更高的精确定位的特异性.
- 外部验证降低了灵敏度,但保持了特异性;X射线图偏好主体水平,CT偏好脊椎水平分析. 患者选择偏差是常见的 (61%的研究).
结论:
- DL模型在检测脊椎骨折方面表现出高准确度.
- 个体级DL适用于查/分离 (高灵敏度);脊椎级DL更适合用于诊断 (高特异性,精确定位).
- 临床应用需要将模型的细节性与任务和上下文结合起来,因为性能在各种模式和数据源之间具有差异性.
