Согласно исследованию, опубликованному в журнале Radiology , модель искусственного интеллекта предоставила давно назревшее обновление прогнозов роста костей у детей, используемых в рентгеновских изображениях для мониторинга сколиоза.

Прогнозы кривой роста модели были получены на основе щелевых рентгеновских снимков различных педиатрических групп и оказались более точными, чем существующие методы прогнозирования, отметил ведущий автор Джон Зех, доктор медицинских наук, из Нью-Йоркского университета Langone Health в Нью-Йорке. и коллеги.

«Хотя стандарты Андерсона-Грина по-прежнему широко используются сегодня, они основаны на выборке всего из 100 детей, чей рост оценивался более 60 лет назад и которые не отличались расовым или этническим разнообразием», — написала группа.

Бипланарное щелевое сканирование всего тела — это тип низкодозной цифровой рентгеновской визуализации, используемый для мониторинга сколиоза. Большинству пациентов визуализируются каждые шесть месяцев в течение периода от одного до пяти лет. Это позволяет клиницистам оценивать рост с течением времени и сравнивать его со средними статистическими данными по методу Андерсона-Грина, поясняют авторы.

Более того, хотя ручное измерение длины бедренной и большеберцовой кости на рентгенограммах доказало свою надежность, это утомительная и трудоемкая задача, добавляют авторы.

В этом исследовании авторы стремились использовать искусственный интеллект для улучшения этих методов путем обучения модели сверточной нейронной сети (CNN) для автоматического измерения длины бедренно-большеберцовой кости на рентгеновских изображениях у педиатрических пациентов, различающихся по расовому признаку.

Данные исследования включали 1874 обследования 523 педиатрических пациентов в возрасте от 0 до 21 года, которые прошли как минимум две рентгенограммы с щелевым сканированием в ходе обычного клинического лечения. Авторы отметили, что 40 процентов пациентов идентифицировали себя как белые, а не латиноамериканцы или латиноамериканцы, и 60% идентифицировали себя как принадлежащие к другой расовой или этнической группе.

Схема измерения нижних конечностей проиллюстрирована с помощью репрезентативной рентгенограммы щелевого сканирования. Модель искусственного интеллекта была обучена сегментировать бедренную и большеберцовую кость: (A) исходная рентгенограмма и (B) та же рентгенограмма, показывающая сегментации (блоки), созданные моделью. (C) Сегментация B использовалась моделью для идентификации верхней части головки бедренной кости, медиального мыщелка большеберцовой кости и плафона большеберцовой кости (линии). Эти местоположения использовались моделью для измерения длины бедренной кости, большеберцовой кости и нижних конечностей в целом. Изображение предоставлено Радиологией .

Модель CNN была обучена сегментировать бедренную кость и большеберцовую кость на рентгеновских снимках и измерять общую длину голени, бедренной кости и большеберцовой кости. Результаты показали, что средняя абсолютная ошибка измерений модели составила 0,25 см для бедренной кости, 0,27 см для большеберцовой кости и 0,27 см для большеберцовой кости. 0,33 см для составных нижних конечностей.

Затем измерения искусственного интеллекта были использованы для создания кривых роста бедренной и большеберцовой костей, и исследователи сравнили их с кривыми, полученными по методу Андерсона-Грина.

Согласно анализу, кривые роста ИИ более точно отражали рост нижних конечностей во внешней тестовой выборке (n = 154), чем метод Андерсона-Грина. По сообщениям авторов, эталонные диапазоны роста, полученные с использованием модели искусственного интеллекта, показали более высокую вероятность охвата, чем те, которые были созданы с использованием метода Андерсона-Грина (86,7% против 73,4%; p <0,001).

В конечном итоге авторы отметили, что более высокая вероятность охвата демонстрирует потенциальную ценность обновленных стандартов, основанных на разнообразии населения. Более высокий охват может отражать больший рост и большую вариабельность роста среди современной популяции детей по сравнению с детьми, на которых основывались стандарты Андерсона-Грина, предположили они.

«Модель искусственного интеллекта предлагает легко масштабируемый метод для получения данных о росте дополнительных пациентов, что может позволить создать стратифицированные стандарты, которые более точно соответствуют индивидуальному профилю роста ребенка», — заключили исследователи.

Полная версия исследования доступна здесь .

Внимание, автоперевод! За ошибки перевода ответственности не несём. Первоисточник по ссылке.