Approximating femoral neck bone mineral density from hand, knee, and pelvis X-rays using deep learning
Notice bibliographique
Résumé
Background: A tool trained to learn the complex features of bone and soft tissue attenuation to estimate bone mineral density (BMD) at the femoral neck from standard hand, knee, and pelvis X-rays has the potential to opportunistically screen for low BMD in individuals that undergo such X-rays for any clinical indication, which in turn could empower patients and their providers to initiate preventative treatment. Methods: A retrospective study of the Osteoarthritis Initiative (OAI) dataset consisting of hand, knee, and pelvis X-rays and corresponding dual-energy X-ray absorptiometry (DXA)-derived femoral neck BMD (examinations done between 2008 to 2010) from 553 unique patients with osteoarthritis (OA) (51% male), aged between 48 to 83 years old. Participants were divided into training and test splits using a stratified random sampling procedure to ensure equal distribution of sex and age decade. A deep convolutional neural network (CNN) was trained to learn visual features from raw X-ray images, which were then combined with sex and age of the patients to estimate their femoral neck BMD. Agreement between methods at estimating BMD was assessed with Passing-Bablok regression and Bland-Altman analyses. Agreement between methods at classifying low BMD (T-score <−1) was assessed using receiver operating characteristic (ROC) curve analysis. Results: Experimental results show superior performance of the deep learning (DL) model by using either hand, knee, and pelvis X-rays, compared to baseline models, and achieved sensitivities and specificities >75% in both females and in males. It is also shown that both the X-ray and co-variate data equally contribute to the model performance. Conclusions: These results indicate that low BMD at the femoral neck can be opportunistically screened from routinely acquired X-rays of the hand, knee, or pelvis, i.e., even when the femoral neck is not included in the field of view.
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 | 0,002 | 0,002 |
| 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 | 0,001 |
| 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 ».