深度学习在髋关节骨性关节炎严重分级中的应用
背景 骨性关节炎的结构评价主要依赖于放射科医生进行阅片诊断，利用多任务深度学习模型可能对大样本的研究有帮助。这样的模型需要在临床中进行验证。
背景
骨性关节炎的结构评价主要依赖于放射科医生进行阅片诊断，利用多任务深度学习模型可能对大样本的研究有帮助。这样的模型需要在临床中进行验证。
目的
本研究旨在建立一个多任务深度学习模型来对髋关节平片根据髋关节骨性关节炎征象进行分级，并与放射科医生诊断结果进行比较。
材料与方法
本研究回顾性分析了受试者承重位骨盆前后位片进行髋关节评价。对患者在48个月后进行随访。根据骨性关节炎诊断标准，股骨骨赘(FO)、髋臼骨赘(AO)和髋关节间隙狭窄(JSN)分为无、轻度、重度和重度。软骨下硬化和软骨下囊肿分级为无或有。受试者分别被分为训练组80% (n = 3494)、验证组10% (n = 437)和测试组10% (n = 437)。多认为神经网络是基于DenseNet-161建立的，是利用多任务损失函数训练的共享卷积特征提取器建立的。利用统计学分析评估模型效能。
结果
共有4368例受试者纳入了研究。内部数据中评估FOs、AOs、JSN、软骨下硬化和软骨下囊性特征的准确性分别为86.7% (1333 of 1538) 、69.9% (1075 of 1538) 、81.7% (1257 of 1538) 、95.8% (1473 of 1538) 、97.6% (1501 of 1538)在外部数据中，评估FOs、AOs、JSN、软骨下硬化和软骨下囊性特征的准确性分别为82.7% (86 of 104) 、65.4% (68 of 104) 、80.8% (84 of 104) 、88.5% (92 of 104) 、91.3% (95 of 104)。
结论
多任务深度模型可用于评估平片髋关节骨性关节炎特征。
相关文章
评论
我要跟帖
.jpg)
