用于风湿关节炎手部 X 光片自动评分的深度学习模型
图像与视频处理
2024-06-17 v1 计算机视觉与模式识别
摘要
van der Heijde 修改版的 Sharp (SvdH) 评分是衡量临床试验中风湿关节炎 (RA) 损伤的广泛使用的放射学评分方法。然而，其复杂性在于需要为每个关节进行评分，且需要专业知识，这限制了其在临床实践中的应用，尤其是在疾病病程测量方面。本文通过开发一个独特的自动化管道来解决这一限制，该管道能够在无需先进行关节局部化的情况下预测 SvdH 评分和 RA 严重程度。我们使用来自 RA 和疑似 RA 患者的手部 X 光片，首先检验了在预测手部和腕部的总 SvdH 评分及其相应严重程度类别的前沿架构性能。其次，我们利用公开数据集进行迁移学习，采用不同的微调方案和集成学习，显著提高了模型性能，达到与经验丰富的读者相当。最佳的 RA 评分模型实现了皮尔逊相关系数 (PCC) 为 0.925，均方根误差 (RMSE) 为 18.02，而最佳的 RA 严重程度分类模型实现了准确率为 0.358，PCC 为 0.859。我们的评分预测模型几乎与经验放射科医生的准确率相当 (PCC = 0.97, RMSE = 18.75)。最后，我们使用 Grad-CAM 显示，模型在大多数情况下能够聚焦于手部和腕部中临床医生认为与 RA 病程相关的解剖结构。
引用
@article{arxiv.2406.09980,
title = {Deep Learning Models to Automate the Scoring of Hand Radiographs for Rheumatoid Arthritis},
author = {Zhiyan Bo and Laura C. Coates and Bartlomiej W. Papiez},
journal= {arXiv preprint arXiv:2406.09980},
year = {2024}
}
备注
16 pages, 5 figures, accepted by MIUA 2024