Using machine learning to automatically measure axial vertebral rotation on radiographs in adolescents with idiopathic scoliosis
Notice bibliographique
Résumé
Adolescent idiopathic scoliosis is a 3D lateral spinal curvature coupled with axial vertebral rotation (AVR). Measuring AVR during clinic is important because it affects treatment options and predicts the risk of scoliosis progression. However, manual measurements are time consuming and have high inter-rater and intra-rater errors. This study aimed to develop a machine learning algorithm based on convolutional neural networks (CNNs) to automatically calculate AVR on posteroanterior radiographs using three different segmentations including spinal column, individual vertebra, and pedicles. Separate labeling and training processes were performed on each of the developed segmentation algorithms. The final machine learning software was tested on 221 vertebrae from 17 spinal radiographs. An experienced rater with over 25 years of experience measured the 221 vertebral rotations manually. By comparing the manual and the fully automatic measurements, 81% (178/221) of the automatic measurements were within the clinical acceptance error (±5°). The mean absolute difference and the standard deviation between the manual and automatic measurements was 4.3° ± 5.7°. Based on the Bland-Altman plot, the manual and automatic measurements had a strong correlation and no bias. The error did not relate to the severity of the rotation. This method is fully automatic, and the result is comparable to others.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| 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 | 0,001 |
| 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 ».