基于深度学习的预测,从腰部CT来预测椎骨矿物质密度:在高静止症中,对DEXA的优越替代方案

科学领域:

• 放射学 放射学是一门学科.
• 人工智能的人工智能
• 骨健康 骨健康 骨健康

背景情况:

• 双能X射线吸收计 (DEXA) 是骨矿物质密度 (BMD) 评估的标准,但可以在患有骨架缩症的患者中高估BMD.
• 准确的BMD测量对于诊断骨质疏松症和骨质疏松症至关重要,使得及时干预成为可能.
• 开发 BMD 评估的替代方法对于改善患者护理至关重要.

研究的目的:

• 开发和验证一种深度学习模型,用于从CT图像中预测腰椎骨干BMD.
• 评估模型在分类骨质类别 (正常,骨质疏松症,骨质疏松症) 中的准确性.
• 评估模型在骨折风险预测方面的表现,特别是在患有混脊柱疾病的患者中.

主要方法:

• 分析了460名具有DEXA结果的患者的1,840个腰椎的回顾性队列.
• 深度学习模型被训练来预测BMD值,并对骨质进行分类.
• 开发和验证了骨折风险预测模型,比较CT-based BMD与DEXA在高骨架患者中.

主要成果:

• 模型预测的BMD与DEXA有很强的相关性 (r = 0.934).
• 该分类模型在正常 (0.90),骨质疏松症 (0.79) 和骨质疏松症 (0.92) 中实现了高AUC.
• 基于CT的预测BMD显著优于DEXA在高骨架患者的骨折风险预测 (AUC0.901比0.464).

结论:

• 深度学习有效地从腰部CT估计BMD,帮助骨质疏松症诊断和骨折风险分层.
• 基于CT的预测BMD提供优越的骨折风险歧视与DEXA相比,在患有腰椎骨质植物症或带化的患者中.
• 这种人工智能方法可以更准确地评估复杂患者群体的骨质状况.