JointNET：一种基于骶髂关节放射影像预测活动性骶髂关节炎的深度学习模型
图像与视频处理
2023-01-30 v2
摘要
目的：开发一种从骶髂关节放射影像预测活动性炎症的深度学习模型，并与放射科医师的判读表现进行比较。材料与方法：回顾性分析了768例患者的共计1537个（增强后1752个）0级骶髂关节（SIJ），根据ASAS标准，金标准MRI检查显示330个关节存在活动性炎症。我们开发了卷积神经网络模型JointNET，仅基于放射影像检测基于MRI的活动性炎症标签。两名放射科医师盲法评估放射影像用于比较。使用Python、PyTorch和SPSS进行分析。P<0.05被认为具有统计学显著性。结果：JointNET从放射影像区分活动性炎症的平均AUROC为89.2（95% CI：86.8%，91.7%）。灵敏度为69.0%（95% CI：65.3%，72.7%），特异度为90.4%（95% CI：87.8%，92.9%）。当考虑患病率为1%时，平均准确率为90.2%（95% CI：87.6%，92.8%），阳性预测值为74.6%（95% CI：72.5%，76.7%），阴性预测值为87.9%（95% CI：85.4%，90.5%）。统计分析显示活动性炎症组与健康组间差异显著（p<0.05）。放射科医师从骶髂关节放射影像判别活动性炎症的准确率低于65%。结论：JointNET能成功从骶髂关节放射影像预测活动性炎症，且性能优于人类观察者。
引用
@article{arxiv.2301.10769,
title = {JointNET: A Deep Model for Predicting Active Sacroiliitis from Sacroiliac Joint Radiography},
author = {Sevcan Turk and Ahmet Demirkaya and M Yigit Turali and Cenk Hepdurgun and Salman UH Dar and Ahmet K Karabulut and Aynur Azizova and Mehmet Orman and Ipek Tamsel and Ustun Aydingoz and Mehmet Argin and Tolga Cukur},
journal= {arXiv preprint arXiv:2301.10769},
year = {2023}
}