评估深度学习模型在骨质疏松症查中的表现,使用腰椎放射图
Artit Boonrod1, Nut Kittipongphat1, Prarinthorn Piyaprapaphan1
1Department of Orthopedics, Faculty of Medicine, Khon Kaen University, Khon Kaen, Thailand.
Journal of bone and mineral metabolism
|December 8, 2025
概括
深度学习模型显示,使用腰椎X射线查骨质疏松症具有前途. 这些人工智能工具可以帮助评估骨折风险,并在双能量X射线吸收计 (DXA) 无法使用时指导治疗.
科学领域:
- 放射学 放射学是一门学科.
- 人工智能的人工智能
- 医疗成像医学成像
背景情况:
- 骨质疏松症诊断和骨折风险评估通常依赖于双能X射线吸收计 (DXA).
- 由于DXA资源有限,需要使用替代选方法.
- 腰椎脊柱放射提供了一个潜在的可访问的成像来源.
研究的目的:
- 开发和评估骨质疏松症查的深度学习模型.
- 为了评估这些模型的准确性,使用腰椎脊柱放射图.
- 探索AI作为骨质疏松症检测的补充工具.
主要方法:
- 深度学习模型 (ResNet-18,DarkNet-19) 被训练在前后 (AP) 和侧腰椎脊柱的放射图上.
- 根据DXA,患者被分类为非骨质疏松症 (T评分> -2.5) 或骨质疏松症 (T评分 ≤ -2.5).
- 模型的性能被评估使用曲线下的面积 (AUC),灵敏度和特异性在一个单独的测试数据集.
主要成果:
- 对于AP图像,ResNet-18的AUC值为0.79 (灵敏度为79.7%,特异性为66.5%).
- 对于横向图像,DarkNet-19的AUC最高为0.82 (灵敏度为87.5%,特异性为79.4%).
- 这些模型在从放射图中检测骨质疏松症方面表现出不同但显著的准确性.
结论:
- 深度学习模型显示,从腰椎脊柱X射线影像中,有效查骨质疏松症的潜力.
- 这些人工智能驱动的工具可以作为DXA的可访问替代品或补充.
- 这种方法可以促进更广泛的骨质疏松风险评估和治疗决策.
