通过结合CT图像分析的2.5D卷积神经网络模型实现恶性椎体压缩性骨折的早期识别

《Spine》：Enabling Early Identification of Malignant Vertebral Compression Fractures Through 2.5D Convolutional Neural Network Model With CT Image Analysis

2.5D卷积神经网络模型基于CT影像分析，用于非侵入性检测恶性椎体压缩性骨折，结果显示其诊断准确率（AUC 0.996）显著优于2D和3D模型，并提升临床医生诊断能力（AUC 0.882）。

　　

摘要 通俗语言总结

---

研究设计

本研究采用了回顾性数据分析方法，并结合了模型开发和验证。

研究目的

本研究介绍了一种2.5D卷积神经网络（CNN）模型，该模型利用CT成像技术来辅助早期检测恶性椎体压缩性骨折（MVCF），从而可能减少对侵入性活检的依赖。

背景数据概述

椎体组织病理活检被认为是区分骨质疏松性椎体压缩性骨折（OVCF）和恶性椎体压缩性骨折（MVCF）的金标准。然而，由于其侵入性较强且成本较高，实际应用受到限制，因此亟需寻找替代方法来识别MVCF。

材料与方法

收集并分析了在两家医疗机构接受椎体加固手术和活检的患者的临床数据、影像学资料及病理结果。基于这些患者的椎体CT图像，开发了2D、2.5D和3D CNN模型，用于识别骨质疏松性椎体压缩性骨折（OVCF）和恶性椎体压缩性骨折（MVCF）。为了验证CNN模型的临床应用价值，进行了两轮读片研究。

研究结果

2.5D CNN模型的表现优异，其在识别MVCF患者方面的能力显著优于2D和3D CNN模型。在训练数据集中，2.5D CNN模型的接收者操作特征曲线下面积（AUC）为0.996，F1分数为0.915；在外部队列测试中，AUC为0.815，F1分数为0.714。2.5D CNN模型提高了临床医生识别MVCF患者的准确性：经验丰富的临床医生的AUC提高了0.882，F1分数提高了0.774；而经验不足的临床医生的AUC在2.5D CNN模型的辅助下提高了0.784，F1分数提高了0.667。

结论

我们开发的2.5D CNN模型为非侵入性识别MVCF患者迈出了重要一步。该模型有望帮助临床医生更准确地诊断MVCF患者。

通俗语言总结本研究利用CT成像技术开发了一种2.5D卷积神经网络（CNN）模型，用于辅助检测恶性椎体压缩性骨折（MVCF），而无需进行侵入性活检。该模型在两家医疗机构的数据上进行了测试，并与2D和3D CNN模型进行了比较。结果显示，2.5D CNN模型的性能更优，训练阶段的AUC为0.996，F1分数为0.915；外部测试阶段的AUC为0.815，F1分数为0.714。该模型还提升了临床医生的诊断准确性，表明它可能成为一种有价值的非侵入性MVCF识别工具。

本文本由机器生成，可能存在不准确之处。常见问题解答