Using machine learning to automatically measure kyphotic and lordotic angle measurements on radiographs for children with adolescent idiopathic scoliosis
Notice bibliographique
Résumé
Measuring the kyphotic angle (KA) and lordotic angle (LA) on lateral radiographs is important to truly diagnose children with adolescent idiopathic scoliosis. However, it is a time-consuming process to measure the KA because the endplate of the upper thoracic vertebra is normally difficult to identify. To save time and improve measurement accuracy, a machine learning algorithm was developed to automatically extract the KA and LA. The accuracy and reliability of the T1-T12 KA, T5-T12 KA, and L1-L5 LA were reported. A convolutional neural network was trained using 100 radiographs with data augmentation to segment the T1-L5 vertebrae. Sixty radiographs were used to test the method. Accuracy and reliability were reported using the percentage of measurements within clinical acceptance (≤9°), standard error of measurement (SEM), and inter-method intraclass correlation coefficient (ICC2,1). The automatic method detected 95 % (57/60), 100 %, and 100 % for T1-T12 KA, T5-T12 KA, and L1-L5 LA, respectively. The clinical acceptance rate, SEM, and ICC2,1 for T1-T12 KA, T5-T12 KA, and L1-L5 LA were (98 %, 0.80°, 0.91), (75 %, 4.08°, 0.60), and (97 %, 1.38°, 0.88), respectively. The automatic method measured quickly with an average of 4 ± 2 s per radiograph and illustrated how measurements were made on the image, allowing verifications by clinicians.
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 | 0,000 |
| 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 ».