基于深度学习与共形不确定性量化的 X 光片骨密度估计
计算机视觉与模式识别
2025-05-29 v1 应用统计
摘要
有限的 DXA 访问机会阻碍了骨质疏松筛查。这项概念验证研究提出利用广泛可得的膝关节 X 光片，通过深度学习进行机会性骨密度估计，并强调了临床使用中必不可少的稳健不确定性量化。在 OAI 数据集上训练了一个 EfficientNet 模型，以从双侧膝关节 X 光片中预测 BMD。比较了两种测试时增强方法：传统的平均法和多样本方法。至关重要的是，我们实现了 Split Conformal Prediction，以提供具有保证覆盖率的、统计上严谨的、特定于患者的预测区间。结果显示 Pearson 相关系数为 0.68（传统 TTA）。虽然传统 TTA 产生了更好的点预测，但多样本方法在保持覆盖率的同时产生了略窄的置信区间（90%、95%、99%）。该框架对具有挑战性的病例适当地表达了更高的不确定性。尽管膝关节 X 光片与标准 DXA 之间的解剖学不匹配限制了其即刻的临床应用，但该方法为使用常规 X 光片进行可信赖的 AI 辅助 BMD 筛查奠定了基础，有望改善骨质疏松的早期检测。
引用
@article{arxiv.2505.22551,
title = {Deep Learning-Based BMD Estimation from Radiographs with Conformal Uncertainty Quantification},
author = {Long Hui and Wai Lok Yeung},
journal= {arXiv preprint arXiv:2505.22551},
year = {2025}
}