用临床智能和放射学 (SPOILS) 来为腰部疼痛患者提供基于AI的个性化治疗:前性观察性研究

科学领域:

• 脊柱手术和医学成像分析.
• 医疗保健中的人工智能
• 射电学和机器学习应用程序

背景情况:

• 腰部疼痛 (LBP) 是一个全球性的健康问题,导致严重的残疾,年轻人群中患病率越来越高.
• 患者症状和治疗反应的变化使诊断和干预计划变得复杂,即使MRI发现一致.

研究的目的:

• 开发SPOILS (软件预测腰椎脊椎病的结果),一个人工智能驱动的决策支持系统.
• 整合临床智能和放射学,以提供个性化的LBP治疗建议.
• 为了克服手动分级主观性在脊柱成像分析的局限性.

主要方法:

• 使用深度学习模型 (DeepLabV3+,ResNet50,MobileNetV2) 进行自动图像细分和特征提取.
• 提取了几何参数 (例如,磁盘高度,通道直径,磁盘体积) 并应用了经过专家验证的分级 (Pfirrmann,脊椎病严重程度).
• 在组合数据集上使用机器学习算法 (渐变提升分类器) 进行结果预测和治疗个性化.

主要成果:

• 通过深度学习模型实现了通过自动细分和脊椎病严重程度预测的高精度 (高达98.7%).
• 在使用几何数据预测结果方面表现强 (准确率91.65%).
• 成功地整合了放射性特征和临床分级,以进行强大的LBP分析.

结论:

• SPOILS提供了一种创新的AI驱动的方法来定制LBP治疗策略.
• 该系统有效地结合了放射学数据,放射学和临床专业知识.
• 这种人工智能工具可以为患有腰部疼痛的患者增强个性化医疗.