One-stop automated diagnostic system for active sacroiliitis in three-dimensional magnetic resonance images using artificial intelligent models: a retrospective study
Notice bibliographique
Résumé
Axial spondyloarthritis (axSpA) can potentially progress to ankylosing spondylitis, and diagnostic delay may lead to irreversible structural damage. Although sacroiliac joint magnetic resonance imaging (MRI) can detect bone marrow edema (BME) for early diagnosis, the complex etiologies and reliance on expert interpretation impede efficient identification in chronic low back pain populations. Therefore, we developed an artificial intelligence system that integrates MRI analysis and automated report generation to facilitate the detection of active sacroiliitis detection and BME quantification. This retrospective study analyzed 691 patients (540 with axSpA and 151 with non-spondyloarthritis) from the Chinese People’s Liberation Army General Hospital (2011–2023). Data were split into training and testing cohorts (4:1 ratio), with five-fold cross-validation applied to the training set. The system comprises four modules: (1) image preprocessing (intensity normalization); (2) coarse-to-fine 3D U-Net-based quadrant segmentation; (3) ResNet18-driven edema recognition (depth/intensity classification); and (4) diagnostic report generation using the QWEN large language model. Among 691 patients (335 active sacroiliitis-positive, 356 negative), the AI system achieved Spondyloarthritis Research Consortium of Canada (SPARCC) scores of (15.12±10.73) vs . (0.88±1.13) in positive versus negative groups. The quadrant segmentation module achieved DICE similarity coefficients above 0.7 on the training, validation and testing datasets. The edema inflammation, depth and intensity classifier exhibited good performance on the testing dataset, with balanced accuracies of 77.54 %, 76.27 % and 80.91 %, and area under the curve values of 0.85, 0.87 and 0.92, respectively. The intraclass correlation coefficient between SPARCC scores by our system and those by rheumatologists is 0.84 on the testing dataset. At patient-level, our system achieved 90.81 % sensitivity for diagnosis of active sacroiliitis on the testing dataset. The developed automated system enhances axSpA diagnostic efficiency by automating the identification of active sacroiliitis and enabling quantitative assessment of BME.
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 | 0,004 |
| 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 | 0,000 | 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 ».