特征选择和深部放射组学模型开发流程图。LASSO =最小绝对收缩和选择算子,MLP =多层感知器,model - c =具有临床特征的模型,model - t =具有纹理特征的模型,model - tc =具有纹理和临床特征的模型,model - d =具有深度特征的模型,model - dc =具有深度和临床特征的模型,model - dt =具有深度和纹理特征的模型,model - dtc =具有深度和临床特征的模型。图片由北美放射学会提供
2022年5月25日——一种将成像信息与人工智能一项研究表明,人工智能可以通过臀部x光片诊断骨质疏松症放射学:人工智能.研究人员表示,这种方法有助于在骨折发生前加快对患者的治疗。
的人骨质疏松症骨质疏松症是一种使骨骼变薄和变弱的骨骼疾病,容易发生与骨骼脆弱有关的骨折,导致生活质量低下和死亡率增加。根据国际骨质疏松基金会的统计数据,全球50岁以上的女性中有三分之一,男性中有五分之一会在一生中经历骨质疏松性骨折。
骨质疏松症的早期筛查利用双能x线骨密度仪absorptiometry (DXA)评估骨密度是及时治疗的重要工具,可降低骨折的风险。然而,扫描仪的低可用性和相对较高的成本限制了它在筛查和治疗后随访中的使用。
相比之下,x线平片广泛使用,在日常实践中经常用于各种临床适应症。尽管有这些特性,它在骨质疏松症的治疗中还没有得到充分利用,因为仅用x光诊断骨质疏松症即使对有经验的放射科医生来说也是具有挑战性的。
研究作者说:“对于髋关节疼痛的患者,放射科医生通常只评估可能导致疼痛的图像发现,如骨折、骨坏死和骨关节炎。Hee-Dong崔,医学博士他来自韩国首尔国立大学医院放射科。“尽管x光图像包含更多关于患者骨骼和肌肉健康状况的信息,但这些信息往往被忽视或认为不那么重要。”
蔡博士和他的同事开发了一个模型,可以通过臀部x光片自动诊断骨质疏松症。该方法结合了radiomics,一系列的图像处理和分析方法,从图像中获取信息,与深度学习,一种先进的AI类型。深度学习可以通过训练找到与疾病相关的图像模式。
研究人员利用10多年来从4308名患者获得的近5000张髋关节x光片开发了深度放射组学模型。他们开发了具有各种深度、临床和纹理特征的模型,然后在另一个机构的444张髋关节x光片上对它们进行了外部测试。
具有深层、临床和纹理特征的深层放射组学模型能够在髋关节x光片上诊断骨质疏松症,其诊断性能优于仅使用纹理或深层特征的模型,从而实现对骨质疏松症的机会性诊断。
Chae博士说:“我们的研究表明,利用这些x射线图像对骨质疏松的机会检测是有利的,我们的模型可以作为一种分类工具,在高度怀疑骨质疏松的患者中推荐DXA。”
研究人员正在计划一项更大的研究,将韩国国民健康保险服务数据库中的临床信息与首尔大学医院的成像数据结合起来。
更多信息:www.rsna.org