融合解剖学注意力以提升深度学习在放射性骶髂炎检测中的泛化能力与病情预测
计算机视觉与模式识别
2025-12-02 v1 机器学习
摘要
目的：探讨将解剖学注意力融入深度学习模型是否能提高泛化能力并实现疾病病情预测。方法：本回顾性多中心研究纳入4个不同患者队列的常规骨盆放射片，涵盖轴性脊柱关节炎（axSpA）患者，分别来自大学和社区医院。第一个队列包含1483张放射片，分为训练组（n=1261）和验证组（n=222）。其余三个队列分别包含436、340和163例患者，作为独立测试数据集。第二个队列的随访数据包括311例患者，用于检验病情预测能力。训练两个神经网络：一个针对骶髂关节边界框裁剪后的图像（解剖学感知），另一个针对完整放射片。比较模型性能，采用受试者运行特征曲线下面积（AUC）、准确率、灵敏度和特异度。结果：在三个测试数据集上，标准模型的AUC分别为0.853、0.817、0.947，准确率为0.770、0.724、0.850；而解剖学感知模型的AUC分别为0.899、0.846、0.957，准确率为0.821、0.744、0.906。由解剖学感知模型识别为高危患者，其2年内发生放射性骶髂炎进展的比值比为2.16（95%置信区间：1.19, 3.86）。结论：解剖学注意力可提升深度学习模型在放射性骶髂炎检测中的泛化能力。该模型以完全开源方式发布。
引用
@article{arxiv.2405.07369,
title = {Incorporating Anatomical Awareness for Enhanced Generalizability and Progression Prediction in Deep Learning-Based Radiographic Sacroiliitis Detection},
author = {Felix J. Dorfner and Janis L. Vahldiek and Leonhard Donle and Andrei Zhukov and Lina Xu and Hartmut Häntze and Marcus R. Makowski and Hugo J. W. L. Aerts and Fabian Proft and Valeria Rios Rodriguez and Judith Rademacher and Mikhail Protopopov and Hildrun Haibel and Torsten Diekhoff and Murat Torgutalp and Lisa C. Adams and Denis Poddubnyy and Keno K. Bressem},
journal= {arXiv preprint arXiv:2405.07369},
year = {2025}
}