脊柱侧弯评估深度学习模型的多中心验证
计算机视觉与模式识别
2025-07-21 v1 人工智能
机器学习
摘要
脊柱侧弯影响大约 2% 至 4% 的青少年，治疗决策依赖于精确的 Cobb 角测量。人工评估耗时且存在观察者间差异。我们对一款全自动深度学习软件 (Carebot AI Bones, Spine Measurement 功能；Carebot s.r.o.) 进行了一项回顾性、多中心评估，该评估基于从十家医院收集的 103 张站立前后位全脊柱 X 光片。两名肌肉骨骼放射科医生独立测量了每项研究，并作为参考阅片者。AI 与每位放射科医生之间的一致性通过 Bland-Altman 分析、平均绝对误差 (MAE)、均方根误差 (RMSE)、Pearson 相关系数以及用于四级严重程度分类的 Cohen kappa 进行评估。相对于放射科医生 1，AI 的 MAE 为 3.89 度 (RMSE 4.77 度)，偏差为 0.70 度，一致性限度从 -8.59 度到 +9.99 度。相对于放射科医生 2，AI 的 MAE 为 3.90 度 (RMSE 5.68 度)，偏差为 2.14 度，限度从 -8.23 度到 +12.50 度。Pearson 相关系数为 r = 0.906 和 r = 0.880 (阅片者间 r = 0.928)，而严重程度分级的 Cohen kappa 达到 0.51 和 0.64 (阅片者间 kappa 0.59)。这些结果表明，所提出的软件能够在多个中心复现专家级的 Cobb 角测量和分类分级，表明其在临床工作流程中简化脊柱侧弯报告和分诊的效用。
引用
@article{arxiv.2507.14093,
title = {Multi-Centre Validation of a Deep Learning Model for Scoliosis Assessment},
author = {Šimon Kubov and Simon Klíčník and Jakub Dandár and Zdeněk Straka and Karolína Kvaková and Daniel Kvak},
journal= {arXiv preprint arXiv:2507.14093},
year = {2025}
}