多中心验证用于脊柱侧弯评估的深度学习模型-计算机科学-人工智能-深度学习-临床医疗.pdfVIP

多中心验证用于脊柱侧弯评估的深度学习模型

imonKubov,SimonKlíník,JakubDandár,Zdenk

Straka,KarolínaKvaková,andDaniel

Kvak

DepartmentofRadiogiagnostics,ThomayerUniversityHospital,Prague,Czechia

DepartmentofRadiologyandNuclearMedicine,UniversityHospitalKrálovské

Vinohradyand3rdFacultyofMedicine,Prague,Czechia

ResearchDevelopmentDepartment,Carebot,Ltd.,Prague,Czechia

daniel.kvak@

本DepartmentofSimulationMedicine,MasarykUniversity,62500Brno,Czechia

译

中摘要脊柱侧弯影响了大约2-4%的青少年，治疗决策依赖于精确的科布角

1测量。手动评估速度慢且容易受到观察者之间的差异影响。我们对一项完

v

3全自动化的深度学习软件（CarebotAIBones，脊柱测量功能；由Carebot

9s.r.o.提供）进行了回顾性、多中心评估，该研究基于从十家医院收集的103

0

4张站立位前后全脊柱X光片。两位肌肉骨骼放射科医生独立测量了每项研

1究，并作为参考读者。使用Bland-Altman分析、平均绝对误差（MAE）、均

.

7方根误差（RMSE）、皮尔逊相关系数和Cohen’s对四个等级严重程度分

0类的一致性进行了评估。针对放射科医师1，AI实现了的MAE（均

5

2方根误差为），偏差为（一致性限度为到）；针对放

:射科医师2，它实现了的MAE（均方根误差为），偏差为

v

i（限度从到）。皮尔逊相关系数为和（阅

x

r片者之间），而严重程度分级的Cohen’s达到0.51和0.64（阅

a

片者之间）。这些结果显示，所提出的软件能够再现多中心专家级

别的Cobb角测量和分类分级，表明其在临床工作流程中简化脊柱侧弯报

告和分诊方面的实用性。

Keywords:人工智能·科布角·深度学习·观察者间一致性·弓形