先進的深度學習模型可自動執行 X 光分析,以實現更快、更準確的評估,從而改變脊柱健康診斷方式。這項研究甚至能夠處理復雜的病例,有望幫助醫生節省時間、減少診斷錯誤,并改進針對脊柱側凸和脊柱后凸等脊柱疾病患者的治療計劃。
“盡管脊骨髓對齊分析提供了前景光明的見解,但目前的研究依賴于相對較小的患者隊列。自動標注可以分析更大的隊列,從而更好地了解和更清晰地識別現有趨勢。基于 AI 的方法可以補充人類評級員,以提高評估的一致性,” ETH Zurich 生物力學研究所的博士生 Moritz Jokeit 說。
重塑脊柱診斷
作為最常見的脊柱疾病,美國約有 7M 人被診斷為脊柱側凸,全球約有 3% 的患者被診斷為脊柱側凸。該疾病和其他脊柱不對齊問題通常會引起痛楚、限制活動能力,并導致健康并發癥 (如呼吸系統問題),從而降低人們的生活質量。
準確的診斷和監控是有效治療患者的關鍵,但是,X-ray 測量、視覺評估和依賴臨床專業知識等傳統方法可能需要大量勞動力,且速度緩慢且不一致。
在解剖結構異常的患者中,現有的 AI 模型難以處理復雜的脊柱不對齊病例。這些疾病可能是由先天性疾病、手術、變性或外傷引起的。
使用 AI 繪制脊節點地圖
這項 研究 發表在 Spine Deformity 中,使用修改后的 U-Net 架構解決了這些限制,該架構使用高級分割方法并識別關鍵的脊柱結構。這種 AI 架構將空間細節與對解剖學關系的理解相結合,并通過在標注數據集上進行訓練來收集這些細節。
該模型分析從前后和側面拍攝的 X-rays(X 光片),以獲得患者脊柱曲率和對齊的全面多視圖。該團隊發現了對預測圖像中的脊柱對齊至關重要的解剖特征,例如椎骨、盆骨、髖關節和薦骨區域,因此能夠確定圖像的邊界和形狀。

研究人員使用由醫學專家手動標注的 555 張放射照片組成的數據集對該模型進行訓練,其中 455 張圖像用于訓練,100 張用于測試。在推理過程中,模型初始化大約需要 4 秒,而圖像預測則需要不到 1 秒。
cuDNN 加速的 TensorFlow 深度學習框架上的一個 NVIDIA RTX A6000 GPU 為處理高分辨率圖像和加速模型訓練提供了動力。該團隊獲得了 NVIDIA Academic Grant Program 的 GPU 獎項,該計劃旨在通過為研究人員提供世界級的計算訪問權限和資源來提升學術水平。
護理的未來
研究人員發現,該模型可以準確預測脊柱對齊測量結果,即使在涉及異常的挑戰性案例中也是如此,而且可以在不同的年齡組和脊柱區域進行預測,這意味著它能夠在許多用例中發揮作用。
該 AI 模型提供的結果與專家相似,在預測脊柱曲率方面的可靠性得分高達 88%,令人印象深刻。在其他脊柱測量結果 (例如骨盆傾斜和骶骨斜率) 中,它的表現也很出色,與人工測量相比,預測結果的平均差異僅為 3.3 度。
總體而言,該系統成功分析了 61%的病例的脊柱健康數據,其中一些測量結果的可靠性接近完美,高達 99%。
這項研究強調了 AI 在簡化臨床工作流程、通過快速分析大量 X 光片為醫生節省時間以及幫助診斷具有挑戰性的病例方面的潛力。
但是,據 Jokeit 稱,該模型還需要進一步開發。在使用醫學植入物的患者中,X 射線片上的明亮偽影會影響分割準確性,而在肥胖患者中,圖像質量降低會導致更難以區分解剖結構。
研究人員計劃探索其他預訓練模型架構(例如 keypoint R-CNN 或 transformer-based modes)如何將這種方法擴展到不同類型的 X-rays。他們還專注于收集更多訓練數據,尤其是針對具有挑戰性的解剖結構和植入物患者。
請聯系 相應的作者 ,請求獲取研究中使用的代碼。
閱讀研究報告:在雙平面 X 光片上進行解剖特征點檢測,以預測脊骨細胞參數。
申請現已開放 經認證的學術機構的全職教師使用 NVIDIA 技術來處理大規模數據集、訓練圖形神經網絡,并加速數據分析、機器人、6G、聯邦學習和智能空間等領域的項目。
?