論文の概要: Opportunistic hip fracture risk prediction in Men from X-ray: Findings
from the Osteoporosis in Men (MrOS) Study
- arxiv url: http://arxiv.org/abs/2207.10970v1
- Date: Fri, 22 Jul 2022 09:35:48 GMT
- ステータス: 処理完了
- システム内更新日: 2022-07-25 13:08:57.345635
- Title: Opportunistic hip fracture risk prediction in Men from X-ray: Findings
from the Osteoporosis in Men (MrOS) Study
- Title（参考訳）: 男性におけるx線画像からの日和見性股関節骨折リスク予測 : 男性における骨粗しょう症(mros)研究から
- Authors: Lars Schmarje, Stefan Reinhold, Timo Damm, Eric Orwoll, Claus-C.
Gl\"uer, Reinhard Koch
- Abstract要約: 骨粗しょう症は骨折のリスクを増大させる一般的な疾患である。
特に高齢者の股関節骨折は、死亡率の上昇、生活の質の低下、死亡率の上昇につながる。
骨折前は無症候性疾患であったため、骨粗しょう症は診断されず、治療を受けていないことが多い。
- 参考スコア（独自算出の注目度）: 0.7340017786387765
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Osteoporosis is a common disease that increases fracture risk. Hip fractures,
especially in elderly people, lead to increased morbidity, decreased quality of
life and increased mortality. Being a silent disease before fracture,
osteoporosis often remains undiagnosed and untreated. Areal bone mineral
density (aBMD) assessed by dual-energy X-ray absorptiometry (DXA) is the
gold-standard method for osteoporosis diagnosis and hence also for future
fracture prediction (prognostic). However, the required special equipment is
not broadly available everywhere, in particular not to patients in developing
countries. We propose a deep learning classification model (FORM) that can
directly predict hip fracture risk from either plain radiographs (X-ray) or 2D
projection images of computed tomography (CT) data. Our method is fully
automated and therefore well suited for opportunistic screening settings,
identifying high risk patients in a broader population without additional
screening. FORM was trained and evaluated on X-rays and CT projections from the
Osteoporosis in Men (MrOS) study. 3108 X-rays (89 incident hip fractures) or
2150 CTs (80 incident hip fractures) with a 80/20 split were used. We show that
FORM can correctly predict the 10-year hip fracture risk with a validation AUC
of 81.44 +- 3.11% / 81.04 +- 5.54% (mean +- STD) including additional
information like age, BMI, fall history and health background across a 5-fold
cross validation on the X-ray and CT cohort, respectively. Our approach
significantly (p < 0.01) outperforms previous methods like Cox
Proportional-Hazards Model and \frax with 70.19 +- 6.58 and 74.72 +- 7.21
respectively on the X-ray cohort. Our model outperform on both cohorts hip aBMD
based predictions. We are confident that FORM can contribute on improving
osteoporosis diagnosis at an early stage.
- Abstract（参考訳）: 骨粗しょう症は骨折のリスクを高める一般的な疾患である。
特に高齢者の股関節骨折は、死亡率の増加、生活の質の低下、死亡率の増加につながる。
骨折の前は静かな疾患であり、しばしば診断も治療も行われない。
dual-energy x-ray absorptiometry (dxa) により評価された骨骨密度 (abmd) は骨粗しょう症診断の金本位法であり, 将来の骨折予測 (予後) にも用いられる。
しかし、特に発展途上国の患者に限らず、必要な特別な機器は至るところでは利用できない。
そこで本研究では,CT(CT)データのX線および2次元投影画像から,股関節骨折のリスクを直接予測できる深層学習分類モデルを提案する。
本手法は完全に自動化されており,追加のスクリーニングを行わずに,より広い人口のリスクの高い患者を特定できるため,日和見スクリーニング設定に適している。
MrOS(MrOS)によるX線およびCT投射の訓練と評価を行った。
3108X線(89例の股関節骨折)または2150CT(80例の股関節骨折)を用いた。
AUCは81.44 +- 3.11% / 81.04 +- 5.54% (平均+-STD) で, 年齢, BMI, 転倒履歴, 健康背景などの情報をX線コホートとCTコホートで5倍の精度で予測できることが示されている。
p < 0.01) のアプローチは、x線コホート上の cox proportional-hazards モデルや \frax の 70.19 +- 6.58 と 74.72 +- 7.21 の手法よりも著しく優れている。
両コホーツABMDによる予測では,モデルが優れていた。
早期に破骨菌症診断の改善にFORMが貢献できると確信している。
関連論文リスト
- Osteoporosis Prediction from Hand and Wrist X-rays using Image
Segmentation and Self-Supervised Learning [2.9909606678660587]
Dual-Energy X-ray absorptiometry (DXA)のような骨密度試験に限定的にアクセスするため、診断も治療も行われていない慢性代謝性骨疾患である。
本稿では手・手首X線画像を用いた骨粗しょう症の予測手法を提案する。
論文 参考訳（メタデータ） (2023-11-12T13:19:00Z) - Bone mineral density estimation from a plain X-ray image by learning
decomposition into projections of bone-segmented computed tomography [4.872603360039571]
骨粗しょう症(英: osteoporosis)は、脆弱な骨の骨折を引き起こす骨疾患であり、日常生活活動の低下につながる。
骨の健康、低コスト、低用量、ユビキタスに利用可能な診断方法を頻繁に監視するためには、非常に期待されている。
本研究の目的は, 骨密度を原X線画像から推定し, 骨密度を計測することである。
論文 参考訳（メタデータ） (2023-07-21T11:49:30Z) - Diagnosis Uncertain Models For Medical Risk Prediction [80.07192791931533]
本研究は, 患者の診断にはアクセスできない, バイタルサイン, 検査値, 既往歴にアクセス可能な患者リスクモデルについて考察する。
このようなすべての原因のリスクモデルが、診断全体にわたって良い一般化を持つが、予測可能な障害モードを持つことが示される。
患者診断の不確実性から生じるリスク予測の不確実性を明示的にモデル化し,この問題に対する対策を提案する。
論文 参考訳（メタデータ） (2023-06-29T23:36:04Z) - Deep Reinforcement Learning Framework for Thoracic Diseases
Classification via Prior Knowledge Guidance [49.87607548975686]
関連疾患に対するラベル付きデータの不足は、正確な診断にとって大きな課題となる。
本稿では,診断エージェントの学習を指導するための事前知識を導入する,新しい深層強化学習フレームワークを提案する。
提案手法の性能はNIHX-ray 14とCheXpertデータセットを用いて実証した。
論文 参考訳（メタデータ） (2023-06-02T01:46:31Z) - Fast and Robust Femur Segmentation from Computed Tomography Images for
Patient-Specific Hip Fracture Risk Screening [48.46841573872642]
我々は,CTから大腿骨近位部を完全自動化し,正確かつ高速に分割するディープニューラルネットワークを提案する。
本手法は, 股関節骨折リスクスクリーニングに適応し, 当科において, 股関節脱臼患者をスクリーニングするための臨床的選択肢に一歩近づいた。
論文 参考訳（メタデータ） (2022-04-20T16:16:16Z) - Breast Cancer Induced Bone Osteolysis Prediction Using Temporal
Variational Auto-Encoders [65.95959936242993]
骨分解性骨病変の進展を正確に予測し,可視化する深層学習フレームワークを開発した。
乳癌患者の骨格関連事象(SRE)を予防するための治療戦略の計画と評価を支援する。
論文 参考訳（メタデータ） (2022-03-20T21:00:10Z) - Lumbar Bone Mineral Density Estimation from Chest X-ray Images:
Anatomy-aware Attentive Multi-ROI Modeling [23.014342480592873]
骨粗しょう症は慢性代謝性骨疾患であり、骨密度検査へのアクセスが制限されているため、診断が不十分で治療が不十分であることが多い。
本稿では,Chest X-ray(CXR)からBMDを予測する手法を提案する。
論文 参考訳（メタデータ） (2022-01-05T22:03:32Z) - Opportunistic Screening of Osteoporosis Using Plain Film Chest X-ray [23.41545684473636]
骨粗しょう症は、骨密度検査へのアクセスが限られているため、しばしば診断され、治療されていない慢性代謝骨疾患です。
本論文では、最も一般的で、アクセス可能で、低コストの医療画像検査の1つである胸部X線(CXR)からBMDを予測する方法を提案する。
論文 参考訳（メタデータ） (2021-04-05T01:25:23Z) - Semi-Supervised Learning for Bone Mineral Density Estimation in Hip
X-ray Images [19.17169803995019]
骨密度は骨粗しょう症の臨床的に重要な指標です。
DEXAの機械および検査の限られたアクセス性のために、骨粗しょう症は頻繁に診断され、未処理です。
論文 参考訳（メタデータ） (2021-03-24T20:59:54Z) - Variational Knowledge Distillation for Disease Classification in Chest
X-Rays [102.04931207504173]
我々は,X線に基づく疾患分類のための新しい確率的推論フレームワークである反復的知識蒸留(VKD)を提案する。
提案手法の有効性を,X線画像とEHRを用いた3つの公開ベンチマークデータセットに示す。
論文 参考訳（メタデータ） (2021-03-19T14:13:56Z) - Predicting COVID-19 Pneumonia Severity on Chest X-ray with Deep Learning [57.00601760750389]
前頭部胸部X線画像の重症度予測モデルを提案する。
このようなツールは、エスカレーションやケアの非エスカレーションに使用できる新型コロナウイルスの肺感染症の重症度を測定することができる。
論文 参考訳（メタデータ） (2020-05-24T23:13:16Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。