論文の概要: Development and validation of an artificial intelligence model to
accurately predict spinopelvic parameters
- arxiv url: http://arxiv.org/abs/2402.06185v1
- Date: Fri, 9 Feb 2024 04:47:26 GMT
- ステータス: 処理完了
- システム内更新日: 2024-02-12 17:51:20.154906
- Title: Development and validation of an artificial intelligence model to
accurately predict spinopelvic parameters
- Title(参考訳): スピノペルビックパラメータを正確に予測する人工知能モデルの開発と検証
- Authors: Edward S. Harake, Joseph R. Linzey, Cheng Jiang, Rushikesh S. Joshi,
Mark M. Zaki, Jaes C. Jones, Siri S. Khalsa, John H. Lee, Zachary Wilseck,
Jacob R. Joseph, Todd C. Hollon, and Paul Park
- Abstract要約: 本研究では,手動入力を必要とせずに,脊椎のパラメータを自動的に高精度に予測する,SpinePoseと呼ばれる新しい人工知能(AI)ツールを提案する。
SpinePoseはSVA, 骨盤傾斜 (PT), 骨盤傾斜 (PI), 骨盤傾斜 (SS), 腰椎硬変 (LL), T1-骨盤角度 (T1PA), L1-骨盤角度 (L1PA) を予測するために, 761矢状体X線を用いて訓練および評価を行った。
モデル予測はまた、全てのパラメータ(ICC: 0.91-1.0)において優れた信頼性を示した。
- 参考スコア(独自算出の注目度): 0.5654190082707936
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Objective. Achieving appropriate spinopelvic alignment has been shown to be
associated with improved clinical symptoms. However, measurement of spinopelvic
radiographic parameters is time-intensive and interobserver reliability is a
concern. Automated measurement tools have the promise of rapid and consistent
measurements, but existing tools are still limited by some degree of manual
user-entry requirements. This study presents a novel artificial intelligence
(AI) tool called SpinePose that automatically predicts spinopelvic parameters
with high accuracy without the need for manual entry.
Methods. SpinePose was trained and validated on 761 sagittal whole-spine
X-rays to predict sagittal vertical axis (SVA), pelvic tilt (PT), pelvic
incidence (PI), sacral slope (SS), lumbar lordosis (LL), T1-pelvic angle
(T1PA), and L1-pelvic angle (L1PA). A separate test set of 40 X-rays was
labeled by 4 reviewers, including fellowship-trained spine surgeons and a
fellowship-trained radiologist with neuroradiology subspecialty certification.
Median errors relative to the most senior reviewer were calculated to determine
model accuracy on test images. Intraclass correlation coefficients (ICC) were
used to assess inter-rater reliability.
Results. SpinePose exhibited the following median (interquartile range)
parameter errors: SVA: 2.2(2.3)mm, p=0.93; PT: 1.3(1.2){\deg}, p=0.48; SS:
1.7(2.2){\deg}, p=0.64; PI: 2.2(2.1){\deg}, p=0.24; LL: 2.6(4.0){\deg}, p=0.89;
T1PA: 1.1(0.9){\deg}, p=0.42; and L1PA: 1.4(1.6){\deg}, p=0.49. Model
predictions also exhibited excellent reliability at all parameters (ICC:
0.91-1.0).
Conclusions. SpinePose accurately predicted spinopelvic parameters with
excellent reliability comparable to fellowship-trained spine surgeons and
neuroradiologists. Utilization of predictive AI tools in spinal imaging can
substantially aid in patient selection and surgical planning.
- Abstract(参考訳): 目的。
適切な脊髄骨盤アライメントの達成は、臨床症状の改善と関連することが示されている。
しかし,spinopelvic放射能パラメータの測定には時間を要するため,観測者間の信頼性が懸念される。
自動測定ツールは、迅速で一貫した測定を約束するが、既存のツールは、手動のユーザー入力要件によって制限されている。
本研究では,手動入力を必要とせずに,脊椎のパラメータを自動的に高精度に予測する,SpinePoseと呼ばれる新しい人工知能(AI)ツールを提案する。
メソッド。
SpinePoseはSVA, 骨盤傾斜 (PT), 骨盤傾斜 (PI), 骨盤傾斜 (SS), 腰椎硬変 (LL), T1-骨盤角度 (T1PA), L1-骨盤角度 (L1PA) を予測するために761個の矢状体X線を用いて訓練および評価を行った。
40個のx線検査セットは、フェローシップ訓練された脊椎外科医や、神経放射線学のサブスペシャリストを持つフェローシップ訓練された放射線科医を含む4人のレビュアーによってラベル付けされた。
テスト画像のモデル精度を決定するために, 最上級レビュアーに対するメディア誤差を算出した。
層内相関係数(ICC)は, 層間信頼性を評価するために用いられた。
結果だ
SVA: 2.2(2.3)mm, p=0.93; PT: 1.3(1.2){\deg}, p=0.48; SS: 1.7(2.2){\deg}, p=0.64; PI: 2.2(2.1){\deg}, p=0.24; LL: 2.6(4.0){\deg}, p=0.89; T1PA: 1.1(0.9){\deg}, p=0.42; L1PA: 1.4(1.6){\deg}, p=0.49。
モデル予測は全てのパラメータ(ICC: 0.91-1.0)において優れた信頼性を示した。
結論だ
SpinePoseは、仲間の訓練を受けた脊椎外科医や神経放射線科医に匹敵する信頼性で、正確にスピノペルビックパラメータを予測した。
脊椎画像における予測AIツールの利用は、患者の選択と手術計画に大きく役立つ。
関連論文リスト
- Artificial intelligence for abnormality detection in high volume neuroimaging: a systematic review and meta-analysis [0.5934394862891423]
神経画像における異常を検出する人工知能(AI)モデルを評価するほとんどの研究は、非表現的な患者コホートで試験されている。
目的は、診断テストの精度を判定し、第一線高ボリュームのニューロイメージングタスクを実行するAIモデルの使用を支持する証拠を要約することであった。
論文 参考訳(メタデータ) (2024-05-09T10:12:17Z) - Automatic Segmentation of the Spinal Cord Nerve Rootlets [0.0]
本研究の目的は,T2強調MRIによる脊髄神経根のセマンティックセグメンテーションのための自動手法を開発することである。
2つのオープンアクセスMRIデータセットから得られた画像は、C2-C8背側神経根をセグメント化するためのアクティブな学習アプローチを使用して、3D畳み込みニューラルネットワークを訓練するために使用された。
この方法は、トレーニング中に見つからないデータセットの3T T2強調画像を用いて、サイト間、セッション間、解像度間の変動を評価した。
論文 参考訳(メタデータ) (2024-02-01T16:14:54Z) - DDxT: Deep Generative Transformer Models for Differential Diagnosis [51.25660111437394]
より単純な教師付き学習信号と自己教師付き学習信号で訓練した生成的アプローチが,現在のベンチマークにおいて優れた結果が得られることを示す。
The proposed Transformer-based generative network, named DDxT, autoregressive produce a set of possible pathology,, i. DDx, and predicts the real pathology using a neural network。
論文 参考訳(メタデータ) (2023-12-02T22:57:25Z) - DeepVox and SAVE-CT: a contrast- and dose-independent 3D deep learning
approach for thoracic aorta segmentation and aneurysm prediction using
computed tomography scans [2.3135717943756307]
胸部大動脈瘤(英: Thoracic aortic aneurysm,TAA)は、大動脈の進行拡大による解離や破裂を引き起こす致命的な疾患である。
その他の指標は、このスクリーニングに役立つが、コントラスト増強や低用量プロトコールを伴わずに取得すれば、臨床評価が困難になる可能性がある。
本研究は, 対照群とTAA患者を含む587種類のCTスキャンを, コントラスト増強の有無にかかわらず低線量および標準線量プロトコールで取得した。
新たなセグメンテーションモデルであるDeepVoxは,開発およびテストセットに対してそれぞれ0.932と0.897のダイススコア係数を示した。
論文 参考訳(メタデータ) (2023-10-23T19:48:58Z) - Towards Automatic Scoring of Spinal X-ray for Ankylosing Spondylitis [4.310687588548587]
脊椎X線画像におけるStoke Ankylosing Spondylitis Spinal Score (mSASSS) による構造変化を手作業で評価することは、費用と時間を要する。
脊髄X線画像における頚椎・腰椎椎体(VUs)のmSASSSスコアを自動的に予測する2段階自動階調パイプラインVertXGradeNetを提案する。
論文 参考訳(メタデータ) (2023-08-08T19:59:23Z) - Domain Transfer Through Image-to-Image Translation for Uncertainty-Aware
Prostate Cancer Classification [60.20736568336466]
臨床的に有意なPCa分類のための前立腺mp-MRIの非対位画像変換のための新しいアプローチを提案する。
我々は、明らかなディープラーニングアプローチにより、モデルの不確実性を見積もる。
提案手法は, ROC曲線(AUC)を20%以上改善することを示した。
論文 参考訳(メタデータ) (2023-07-02T05:26:54Z) - Learning to diagnose cirrhosis from radiological and histological labels
with joint self and weakly-supervised pretraining strategies [62.840338941861134]
そこで本稿では, 放射線学者が注釈付けした大規模データセットからの転写学習を活用して, 小さい付加データセットで利用できる組織学的スコアを予測することを提案する。
我々は,肝硬変の予測を改善するために,異なる事前訓練法,すなわち弱い指導法と自己指導法を比較した。
この方法は、METAVIRスコアのベースライン分類を上回り、AUCが0.84、バランスの取れた精度が0.75に達する。
論文 参考訳(メタデータ) (2023-02-16T17:06:23Z) - Building Brains: Subvolume Recombination for Data Augmentation in Large
Vessel Occlusion Detection [56.67577446132946]
この戦略をデータから学ぶためには、標準的なディープラーニングベースのモデルに対して、大規模なトレーニングデータセットが必要である。
そこで本研究では, 異なる患者から血管木セグメントを組換えることで, 人工的なトレーニングサンプルを生成する方法を提案する。
拡張スキームに則って,タスク固有の入力を入力した3D-DenseNetを用いて,半球間の比較を行う。
論文 参考訳(メタデータ) (2022-05-05T10:31:57Z) - SpineNetV2: Automated Detection, Labelling and Radiological Grading Of
Clinical MR Scans [70.04389979779195]
SpineNetV2は、臨床脊髄磁気共鳴(MR)スキャンで脊椎を検知し、ラベル付けする自動化ツールである。
また、T2強調スキャンで腰椎椎間板のX線学的グレーディングを行い、様々な一般的な変性変化を観察する。
論文 参考訳(メタデータ) (2022-05-03T15:05:58Z) - UNITE: Uncertainty-based Health Risk Prediction Leveraging Multi-sourced
Data [81.00385374948125]
我々はUNcertaInTyベースのhEalth Risk Prediction(UNITE)モデルを提案する。
UNITEは、複数ソースの健康データを活用した正確な疾患リスク予測と不確実性推定を提供する。
非アルコール性脂肪肝疾患(NASH)とアルツハイマー病(AD)の実態予測タスクにおけるUNITEの評価を行った。
UNITEはAD検出のF1スコアで最大0.841点、NASH検出のPR-AUCで最大0.609点を達成し、最高のベースラインで最大19%の高パフォーマンスを達成している。
論文 参考訳(メタデータ) (2020-10-22T02:28:11Z) - Segmentation-free Estimation of Aortic Diameters from MRI Using Deep
Learning [2.231365407061881]
大動脈径の直接推定のための教師付き深層学習法を提案する。
提案手法では,3Dスキャンを入力とし,所定の位置で大動脈径を出力する3D+2D畳み込みニューラルネットワーク(CNN)を用いる。
全体として、3D+2D CNNは大動脈の位置によって2.2-2.4mmの平均的な絶対誤差を達成した。
論文 参考訳(メタデータ) (2020-09-09T18:28:00Z)
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。