基于放射学的诺米图,使用数字放射学来早期诊断膝关节骨关节炎

科学领域:

• 放射学 放射学是一门学科.
• 医疗成像医学成像
• 人工智能在医学中的应用

背景情况:

• 膝关节关节炎 (KOA) 的早期诊断至关重要,但具有挑战性,特别是在标准放射图上区分凯尔格伦-劳伦斯 (KL) 等级1和2之间.
• 放射学为提取定量成像特征提供了一个潜在的解决方案,以帮助早期放射性KOA (RKOA) 检测.

研究的目的:

• 开发和验证基于放射学的模型,使用数字放射学 (DR) 早期识别RKOA.
• 为了评估机器学习模型的性能和一个结合的纳米图,结合放射学和年龄,用于KOA诊断.

主要方法:

• 对859名KL级1或2KOA患者的回顾性分析,分为培训 (n=601) 和验证 (n=258) 组.
• 从DR图像中提取2632个放射学特征,然后使用ICC,相关性分析和LASSO回归进行特征选择,最终得到38个特征.
• 开发和比较五个机器学习模型,其中逻辑回归 (LR) 被选为其可通用性,用于计算放射学分数 (Radscore) 和组合名录.

主要成果:

• 在验证组中,LR模型实现了0.821的AUC.
• 组合的诺米格模型显著优于单独的Radscore模型,显示AUC为0.914 (训练) 和0.833 (验证),相比之下,分别为0.908和0.823.
• 校准曲线和决策曲线分析证实了名图的良好适应性和临床实用性.

结论:

• 一个基于DR的放射学模型,当与患者年龄相结合时,可以提供KOA的准确早期诊断.
• 这种方法在早期检测RKOA时显示出临床应用的巨大潜力.