Correlative Assessment of Machine Learning-Based Cobb Angle Measurements and Human-Based Measurements in Adolescent Idiopathic and Congenital Scoliosis
Notice bibliographique
Résumé
Purpose: Scoliosis is a complex spine deformity with direct functional and cosmetic impacts on the individual. The reference standard for assessing scoliosis severity is the Cobb angle which is measured on radiographs by human specialists, carrying interobserver variability and inaccuracy of measurements. These limitations may result in lack of timely referral for management at a time the scoliotic deformity progression can be saved from surgery. We aimed to create a machine learning (ML) model for automatic calculation of Cobb angles on 3-foot standing spine radiographs of children and adolescents with clinical suspicion of scoliosis across 2 clinical scenarios (idiopathic, group 1 and congenital scoliosis, group 2). Methods: We retrospectively measured Cobb angles of 130 patients who had a 3-foot spine radiograph for scoliosis within a 10-year period for either idiopathic or congenital anomaly scoliosis. Cobb angles were measured both manually by radiologists and by an ML pipeline (segmentation-based approach—Augmented U-Net model with non-square kernels). Results: Our Augmented U-Net architecture achieved a Symmetric Mean Absolute Percentage Error (SMAPE) of 11.82% amongst a combined idiopathic and congenital scoliosis cohort. When stratifying for idiopathic and congenital scoliosis individually a SMAPE of 13.02% and 11.90% were achieved, respectively. Conclusion: The ML model used in this study is promising at providing automated Cobb angle measurement in both idiopathic scoliosis and congenital scoliosis. Nevertheless, larger studies are needed in the future to confirm the results of this study prior to translation of this ML algorithm into clinical practice.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,009 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 source (Gemma direct ou Codex distillé), 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 ».