在CT扫描中通过神经象征模型检测脊椎压缩骨折的内在可解释的方法
Blanca Inigo1, Yiqing Shen1, Benjamin D Killeen1
1Department of Computer Science, Johns Hopkins University, Baltimore, MD.
Proceedings of SPIE--the International Society for Optical Engineering
|December 25, 2025
概括
这项研究引入了一种新的神经符号AI,用于在CT扫描中检测脊椎压缩骨折 (VCF). 可解释的AI与深度学习性能相匹配,改善了VCF诊断和临床医生的信任.
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:
- 脊椎压缩骨折 (VCF) 在骨质疏松症中很常见,但往往没有被诊断出来.
- 在现有CT扫描上使用人工智能的机会性查对VCF检测具有成本效益.
- 模型的可解释性对于AI在医学诊断中的采用至关重要.
研究的目的:
- 开发一种可解释的AI模型,用于CT扫描中的VCF检测.
- 将深度学习与基于规则的分析结合起来,以改善VCF诊断.
- 增强临床医生对风险投资基金管理的信任和决策.
主要方法:
- 一种神经符号方法,将深度学习 (DL) 结合为脊椎细分和基于形状的算法 (SBA).
- SBA分析了脊椎高度分布,以定义用于VCF检测的规则集.
- 该模型处理CT卷,用于自动识别VCF.
主要成果:
- 神经符号方法在VerSe19数据集上实现了96%的准确性和91%的灵敏性.
- 性能与黑子深度神经网络 (DenseNet) 相匹配或超过.
- 可解释的方法为VCF检测推理提供了洞察力.
结论:
- 本质上可以解释的AI可以有效地检测VCF,匹配深度学习性能.
- 拟议的神经符号模型提高了人工智能驱动的医学诊断的透明度.
- 这种方法可以增加临床医生的信任,并支持知情的VCF治疗计划.
