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
- A Hybrid Artificial Intelligence System for Automated EEG Background Analysis and Report Generation [0.1874930567916036]
本研究では,脳波の背景活動とレポート生成を自動的に解釈する,革新的なハイブリッド人工知能(AI)システムを提案する。
このシステムは、後続支配リズム(PDR)予測のためのディープラーニングモデル、教師なしアーティファクト除去、および異常検出のためのエキスパート設計アルゴリズムを組み合わせる。
このAIシステムは、全般的なバックグラウンドの減速を検知し、焦点異常の検出を改善することで神経学者を著しく上回った。
論文 参考訳（メタデータ） (2024-11-15T01:49:17Z) - Thyroidiomics: An Automated Pipeline for Segmentation and Classification of Thyroid Pathologies from Scintigraphy Images [0.23960026858846614]
本研究の目的は,甲状腺シンチグラフィー画像を用いた甲状腺疾患分類を向上する自動パイプラインを開発することである。
2,643人の甲状腺シンチグラフィー画像を収集し,DG(diffuse goiter),MNG(multinodal goiter),甲状腺炎(TH)に分類した。
パイプラインは、さまざまなクラスにわたるいくつかの分類指標で、医師のセグメンテーションに匹敵するパフォーマンスを示した。
論文 参考訳（メタデータ） (2024-07-14T21:29:28Z) - Advanced Meta-Ensemble Machine Learning Models for Early and Accurate Sepsis Prediction to Improve Patient Outcomes [0.0]
本報告では, 全身性炎症性反応症候群, 早期警戒スコア, クイックシークエンシャル臓器不全評価など, 従来の敗血症スクリーニングツールの限界について検討する。
本稿では,機械学習技術 - ランダムフォレスト, エクストリームグラディエントブースティング, 決定木モデル - を用いて, セプシスの発症を予測することを提案する。
本研究は,これらのモデルについて,精度,精度,リコール,F1スコア,受信器動作特性曲線の下での領域といった重要な指標を用いて,個別かつ組み合わせたメタアンサンブルアプローチで評価する。
論文 参考訳（メタデータ） (2024-07-11T00:51:32Z) - A Staged Approach using Machine Learning and Uncertainty Quantification to Predict the Risk of Hip Fracture [7.28435301162289]
本研究は, 高齢者および中高年者における股関節骨折リスクの予測に焦点をあてる。
本稿では,高度な画像と臨床データを組み合わせて予測性能を向上させる新しいステージドモデルを提案する。
論文 参考訳（メタデータ） (2024-05-30T14:01:02Z) - 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) - 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) - iPhantom: a framework for automated creation of individualized
computational phantoms and its application to CT organ dosimetry [58.943644554192936]
本研究の目的は、患者固有の幻覚やデジタル双眼鏡の自動作成のための新しいフレームワーク、iPhantomを開発し、検証することである。
この枠組みは、個々の患者のCT画像における放射線感受性臓器への放射線線量を評価するために応用される。
iPhantomは、アンカーオルガンのDice similarity Coefficients (DSC) >0.6の精度で全ての臓器の位置を正確に予測し、他のオルガンのDSCは0.3-0.9である。
論文 参考訳（メタデータ） (2020-08-20T01:50:49Z)
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。