基于图像的机器学习对骨质疏松的诊断价值:系统审查和元分析

科学领域:

• 医学成像分析分析 医学成像分析
• 医疗保健中的人工智能
• 骨质疏松症的诊断 骨质疏松症的诊断

背景情况:

• 骨质疏松症 (OP) 对老龄化人口构成重大健康挑战.
• 机器学习 (ML) 和深度学习 (DL) 模型提高了医疗成像中的诊断准确性和效率.
• 缺乏使用ML对OP诊断的不同医学成像方法的系统评估.

研究的目的:

• 系统地审查和阐明深度学习 (DL) 模型在各种医学成像模式的骨质疏松症 (OP) 检测中的作用.
• 为基于ML的OP检测方法的诊断性能提供全面的概述.

主要方法:

• 在PubMed,Embase,Cochrane图书馆和Web of Science的系统文献搜索基于ML的OP诊断研究.
• 使用诊断准确性研究质量评估-2工具对包括的研究进行质量评估.
• 灵敏度和特异性的元分析使用双变的混合效应模型,按成像模式 (X射线,CT,MRI) 和子组分析分层.

主要成果:

• 包括60项研究,共66,195名参与者;22项使用X射线,37项使用CT,3项使用MRI.
• X射线模型显示高聚合灵敏度 (SEN) 和特异性 (SPC):尾骨架 (0.97,0.90),下 (0.94,0.80),腰椎 (0.87,0.82).
• CT模型表现出强的性能:关节 (0.87,0.92),胸椎 (0.91,0.94),腰椎 (0.91,0.92).

结论:

• 骨质疏松症的ML,特别是X射线和CT的DL,显示了骨质疏松症的高诊断准确性.
• 使用MRI的研究有限,缺乏外部验证也带来了解释性的局限性.
• 未来的研究应该专注于开发具有更广泛适用性和改善骨质疏松症诊断精度的AI工具.