Identification of Vertebral Fractures by Convolutional Neural Networks to Predict Nonvertebral and Hip Fractures: A Registry-based Cohort Study of Dual X-ray Absorptiometry
Notice bibliographique
Résumé
Background Detection of vertebral fractures (VFs) aids in management of osteoporosis and targeting of fracture prevention therapies. Purpose To determine whether convolutional neural networks (CNNs) can be trained to identify VFs at VF assessment (VFA) performed with dual-energy x-ray absorptiometry and if VFs identified by CNNs confer a similar prognosis compared with the expert reader reference standard. Materials and Methods In this retrospective study, 12 742 routine clinical VFA images obtained from February 2010 to December 2017 and reported as VF present or absent were used for CNN training and testing. All reporting physicians were diagnostic imaging specialists with at least 10 years of experience. Randomly selected training and validation sets were used to produce a CNN ensemble that calculates VF probability. A test set (30%; 3822 images) was used to assess CNN agreement with the human expert reader reference standard and CNN prediction of incident non-VFs. Statistical analyses included area under the receiver operating characteristic curve, two-tailed Student t tests, prevalence- and bias-adjusted κ value, Kaplan-Meier curves, and Cox proportional hazard models. Results This study included 12 742 patients (mean age, 76 years ± 7; 12 013 women). The CNN ensemble demonstrated an area under the receiver operating characteristic curve of 0.94 (95% confidence interval [CI]: 0.93, 0.95) for VF detection that corresponded to sensitivity of 87.4% (534 of 611), specificity of 88.4% (2838 of 3211), and prevalence- and bias-adjusted κ value of 0.77. On the basis of incident fracture data available for 2813 patients (mean follow up, 3.7 years), hazard ratios adjusted for baseline fracture probability were 1.7 (95% CI: 1.3, 2.2) for CNN versus 1.8 (95% CI: 1.3, 2.3) for expert reader–detected VFs for incident non-VF and 2.3 (95% CI: 1.5, 3.5) versus 2.4 (95% CI: 1.5, 3.7) for incident hip fracture. Conclusion Convolutional neural networks can identify vertebral fractures on vertebral fracture assessment images with high accuracy, and these convolutional neural network–identified vertebral fractures predict clinical fracture outcomes. © RSNA, 2019 Online supplemental material is available for this article.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».