חשיבות קלינית של DEXA Scanning

כפול אנרגיה X-ray Absorptiometry (DEXA או DXA) נשאר מודוליות הדמיה סטנדרטית זהב למדידת צפיפות מינרלים העצם (BMD) ואבחון אוסטאופורוזיס. A DEXA משתמשת בשני רמות אנרגיה X-ray שונות כדי לבודד ולכמת את העצם ואת מפעילת הרדאר, המספקת T-scorescores כי להשוות בין BMD של המטופל לאוכלוסייה צעירה-דאלית, אך ורקמת, עם זאת, עם זאת, המליץ על ידי DEX.

בשנים האחרונות, בינה מלאכותית (AI) ולמידה של מכונות החלו לשנות את האופן שבו סריקות DEXA מעובדות וניתנות.על ידי הפעלת פלמנטציה, מיצוי תכונה ומשימות סיווג, AI מבטיח לספק מהר יותר, עקבי יותר, וזמין יותר הערכות BMD. מאמר זה חוקר את טכניקות הליבה של AI מוחל על ניתוח DEXA, הראיות תמיכה בשימוש שלהם, המכשולים כי נשאר עתיד, וייתכן כי ישארו את הטכניקות הערכה עצמית.

תפקיד DEXA באוסטאופורוזיס Diagnosis

Osteoporosis היא מחלה השלד מערכתית המאופיינת על ידי מסת העצם נמוכה ו microarchitectural ההידרדרות, המוביל סיכון שבר מוגברת.זה מגיפה שקטה - לעתים קרובות לא מאובחנים עד שבר מתרחשת. DEXA סריקה הוא מרכזי הן אבחון והן ניטור.האגודה הבינלאומית ל Densitometry קליני (ISCD) ביססה פרוטוקולים סטנדרטיים למדידת עמוד השדרה, פרומיליאקציה, ונקודות אחרות של אוסטיאוסטרומטרית (D) מתחת ל-אוסטרומטריד) מתחת ל-אוסטראוסטראוסטראוסטראוסטראוסטראוסטראוסטראוסטראוסטראוסטראוסטראוסטראוסטאוסטאוסטראוסטאוסטאוסטרומטריות (D) מתחת ל-2.5) מתחת ל-אוסטאוסטאוסטאוסטראוסטראוסטראוסטראוסטראוסטראוסטראוסטראומטיות (D) מתחת ל-אוסטרואנטאומטיות (D) מתחת ל-אוקומה נמוכה) מתחת ל-אוסטראוקומה התחתונה) מתחת ל-2.5) מתחת ל-אוקומה מתחת ל-אוקומה (D) מתחת ל-אוקומה התחתונה) מתחת ל-אוסטראוסטראוקומה התחתונה (D

למרות השימוש הנרחב שלה, פרשנות DEXA אינה טריוויאלית.Artefacts משינויים ניווניים, ניתוח קודם, vascular calcifications, או הצבת שגיאות יכול לנבא תוצאות.יתר על כן, זיהוי ידני של אזורים של עניין (ROI) - כגון הגבולות המדויקים של L1-L4 ריצוף או צוואר הרחם העוברי - עקביות על פני סריקות מעקב אחר כך מבטיחות משמעותיות ליצירת יעילות עבודה.

כיצד בינה מלאכותית משפרת את ניתוח DEXA

שיטות מבוססות בינה מלאכותית, במיוחד למידה עמוקה, להצטיין בזיהוי דפוס בתמונות רפואיות.עבור סריקות DEXA, המשימות העיקריות שתועלתן מאוטומציה כוללות:

  • (ב) [15] אזור הריבית (ROI) ,(FLT:1) - בדיוק מנקה גופים תקינים, הצוואר הפשתן, הירכיים הכוללות, ואתרים השלד אחרים.
  • (ב) ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇
  • (FLT:0) גילויי גילויים של FLT:1 - קביעת שברים מזהמים (הערכה של שבר מולד, VFA) שניתן להחמיץ על דיווח שגרתי BMD.
  • (FLT:0) הערכה איכותית של איכות תמונה FLT:1 - זיהוי פריטי תנועה, מיקום שגוי או בעיות טכניות אחרות שעלולות לפגוע בהתקפות הסריקה.

משימות אלה קשורות: פלח גרוע מוביל לערכי BMD לא מדויקים, בעוד סריקה באיכות נמוכה עשויה לייצר תוצאות שליליות או כוזבות-חיוביות.מודלים של AI יכולים להיות מאומן מקצה לקצה כדי לטפל בכל השלבים האלה, מתן צינור שלם מדימוי DEXA גולמי לדו"ח קליני שניתן לבצע.

אדריכלות למידה עמוקה עבור DEXA

רוב המחקרים האחרונים מעסיקים רשתות עצביות אבולוציוניות (CNN), עבודת הראייה של מחשב, מותאם לדמיית רפואית. A CNN מורכבת משכבות אבולוציוניות מרובות אשר לומדות תכונות היררכיות - החל מנקודות נמוכות וממרקמים לצורות ברמה גבוהה ומבנים אנטומיים.עבור DEXA, משמשים בדרך כלל במסגרת U-Net עבור ניתוח קיסרי או עמידות לקטגוריות אחוריות של סיווג או לקטגוריות של Bense.

למידה העברה מאומצת באופן נרחב מכיוון שנתוני הדמיה רפואיים מוגבלים לעתים קרובות.מודלים ממסד נתונים גדול של תמונות טבעיות (למשל, ImageNet) הם מסודרים בסדר על תמונות DEXA, צמצום באופן דרסטי של נתוני ההכשרה הנדרשים וזמן מקביל תוך שמירה על דיוק גבוה.(מחקר אחד שפורסם ב- FLT:0Radiology: Artificial IntelligenceFLT הראה כי העברה מלאכותית של 1-learned יכול היה לקרינה בין Dvt) עם הסכם Dvca2 (D) עם Dvca) עם Dvactervacter) קרוב ל-TR) Dvate: 0Raliology: 0Raliology: 0Raliology: 0Raliology: 0Raliology: 0Raliology: 0Raliology: Artificial: Artificial: Artificial: Artificialment: Artificial: Artificialbial IntelligenceFLT:1LT:1LT:1 .

הסגמנט האוטומטי של Lumbar Spine ו- Proximal Femur

(המיקום ROI הוא קריטי כי BMD מחושבת כדחיסות הממוצעת בתוך אזור מוגדר.בעמוד השדרה של lumbar, המפעיל חייב לבחור גופים בודדים tebral L1-L4, הימנעות תהליכים טרנסנדאליים ומודלים של פיזור בינה מלאכותית ספין-אפ (Giral) אשר עברו אלפי דקות של DEXA מותאמות אישית יכול כעת להשיג זאת עם דיוק מטבולי.

פלח אוטומטי גם מאפשר עקביות ארוכת טווח: AI יכול להתאים באופן אוטומטי סריקות מעקב כדי לבסס את ROIs, מיני-מחדש סחף שעשוי לטשטש שינויים BMD אמיתיים או ליצור מגמות כוזבות.זה חשוב במיוחד עבור ניטור חולים על טיפול אוסטאופורוזיס, שבו שינויים קטנים (0.5–2%) צריכים להיות נבדלים משגיאה.

טכניקות בינה מלאכותית מפתח ב-Bonom Density Assessment

רשתות ערפיליות מהפכתיות (CNN)

CNN יוצרים את עמוד השדרה של רוב צינורות DEXA AI. הם יכולים להיות מוגדרים עבור סיווג (למשל, אוסטאופורוזיס נגד אוסטיאופניה לעומת רגיל), רגרסיה (התחילה T-Score), או פלמנטציה. התפתחויות האחרונות כוללות מנגנוני תשומת לב המאפשרים לרשת להתמקד באזורים המודיעיניים ביותר, ושיטות הרכב המשלבות מודלים מרובים כדי להפחית את ה-Aדוגמה הבולטת היא שימוש בחיזוי של מידע פוטנציאלי של DEX-DEX-DEX, אשר אינו זמין ב-DEX, אשר אינו רלוונטי 2DEX, אשר אינו זמין ב-DEX, אשר אינו זמין ב-DEX, כלומר, כלומר, כלומר, לדוגמה, ב-DEX, כלומר, לדוגמה, ב-DEX, לדוגמה, כלומר, ב-DEX, ב-DEX, ב-DEX, ב-DEX, ב-DEX, ב-DEX, אשר מאפשר ל-DEX, באופן פוטנציאלי, ב-DEX, ב-DEX, ב-DEX, ב-DEX, לדוגמה, לדוגמה, ב-DEX, ב-DEX, ב-DEX, ב-DEX, ב-DEX, ב-DEX,

הערכה אוטומטית של Vertebral Fracture Assessment (VFA)

Vertebral fractures are a frequent but often undiagnosed consequence of osteoporosis. DEXA systems can perform lateral spine imaging (VFA) to identify compression fractures. AI algorithms have been developed to classify vertebrae as normal or fractured using deep learning. One multi‑center study using a ResNet‑50 model achieved an area under the receiver operating characteristic curve (AUC) of 0.96 for moderate‑to‑severe fractures, matching expert radiologists (Tang et al., 2021). This capability is being integrated into commercial DEXA platforms, enabling opportunistic screening without additional imaging time.

העברת למידה וזיכרון

מכיוון שהנתונים של DEXA הם קטנים יחסית (לעתים קרובות מאות עד כמה אלפי תמונות), העברת הלמידה היא חיונית.מודלים שהוכשרו מראש על תמונות טבעיות ללמוד תכונות גנריות כמו קצוות ומרקמים, אשר ניתן לנסח מחדש עבור תמונות רפואיות. הגדלת נתונים - יישום סיבובים אקראיים, קנה מידה, עיוותים, שינויים ניגודיים - מרחיבים את גודל האימון יעיל ולשפר את הטכניקות האלה אפשרו כדי להפחית ביצועים קליניים אפילו כדי להשיג מרפאות קטנות יותר, אפילו מרפאות קטנות יותר, אפילו מרפאות.

למידה ממוקדת ומדהימה למחצה

פלח בפיקוח מלא דורש אנטרציה ברמת פיקסל, אשר הוא כוח עבודה-חושי להשיג מרדיולוגים. שיטות בפיקוח נקבובי להשתמש רק בתוויתות ברמת תמונה (למשל, "נוכח אוקטאופורוזיס") כדי להכשיר מודלים שיכולים עדיין למקם אזורים של עניין. Semi-super-vised Learnings קבוצה קטנה של תמונות מתוייגות בשילוב עם מאגר גדול ללא רב, אשר הוא שילוב של גישות מתקדמות ל- AICS.

יתרונות של ניתוח AI-Assisted DEXA

  • (FLT:0Speed ו- Throughput: 1) צינור בינה מלאכותית טיפוסי יכול לעבד סריקה DEXA בתוך שנייה אחת, בהשוואה לשתיים עד חמש דקות הדרושות למקם ולשליטה ידנית של ROI ולשיפור איכות.עבור מערכות בריאות גדולות שמבצעות אלפי סריקות חודשיות, זה מתורגם לחיסכון תפעולי משמעותי ולדיווח מהיר יותר.
  • (FLT:0) אי-הסכמה וחידוש: ההרחבה: ההרחבה 1 של מדריך ROI היא כפופה לזמינות של אינטרטרה-מארגן ובינלאומית.AI מייצרת תוצאות זהות עבור אותו קלט בכל פעם, ביטול הרעש תלוי המפעיל שיכול לטשטש שינויים BMD אמיתיים.זה משפר את הדיוק של ניטור ותיק.
  • (FLT:0) מחנכים אימון בודן: ⁇ F1) טכנאים מיומנים הם בהיצע קצר, במיוחד באזורים כפריים וחסרי סייג.אוטומציה של בינה מלאכותית מאפשרת לצוות פחות מנוסה לרכוש סריקות, עם המערכת המטפלת בצעדים אנליטיים שנדרשו קודם לכן הכשרה מתקדמת.
  • (FLT:0) גילוי מוקדם של ממצאים מקריים: איור 1 (AI) יכול דגל שברים פולחנים, ⁇ abdominal aortic, וממצאים מקריים אחרים על תמונות DEXA, שעלול להוביל לאבחון מוקדם יותר של תחלואה.
  • (FLT:0) רגישות לנתוני אוכלוסייה: LT:1 עם AI, סקר ⁇ סטי באמצעות סריקות DEXA קיימות הופך להיות אפשרי.לדוגמה, מחקר באמצעות מודל למידה עמוק על מעל 10,000 סריקות DEXA ממסד נתונים קהילתי מצא כי AI יכול לסווג מחדש T-scorescores כדי לזהות 30% מקרים יותר מאשר דוחות קליניים מקוריים (אשר היו בעלי שיעור גבוה יותר של שגיאה) מ-f2;

יישומים קליניים וראיות

ניתוח DEXA מבוסס AI עבר ממעבדות מחקר למוצרים מסחריים.ספקים מספריים מציעים כעת תוכנה AI-enhanced עבור חישוב BMD אוטומטיים לחלוטין ו-VFA. מחקר רב-מרכזי באירופה וצפון אמריקה אישר כי אלגוריתם AI היה ביצועים אבחון לא-inferior בהשוואה לקונצנזוס של שני קוראים מומחים, עם הבדל של פחות מ-0.10 ביצועים סטנדרטיים נשמרים על פני מודלים שונים של אלגוריתם (Gamsamsological) ו-Gamsolexus, לעומת אלגוריתם (Gamsual) ו-GamsualriceDEX) ו-GPS (GMO) ו-GPS (GAP) ו-GMODEX) ו-GPS (GMO) ו-GPS) בהשוואה ל-DEXODEXOractrationrationration) בהשוואה ל-DEXOration.

בבריטניה, המכון הלאומי לבריאות ולמצוינות (NICE) כלל ניתוח DEXA בסיוע AI בהערכה מוקדמת של ערך עבור סיכון של אוסטאופורוזיס שבר.אימוץ קליני גדל, למרות שבתי חולים רבים עדיין משתמשים ב-AI כקורא שני - תוך השוואת תוצאות אוטומטיות עם קריאה ידנית לפני שאמון מלא מבוסס.

המחקר ממשיך להעריך את יכולתו של AI לחזות שברים עתידיים ישירות מתמונות DEXA, פוטנציאל שילוב מרקם ותכונות מיקרו-ארכיטקטורה העצם מעבר ל- BMD פשוט. A מחקר שנערך לאחרונה ב-FLT:0JAMA Network OpenFLT:1 הראה כי מודל למידה עמוק באמצעות תכונות ירכיים בלבד יכול לחזות את השבר עם AUC של 0.82, להודיע על FRAX מסורתיים (FR) כאשר הם מוסיפים 0.

אתגרים לאימוץ קליני

למרות יתרונות ברורים, יש להתגבר על כמה מכשולים לפני ניתוח DEXA מבוסס AI הופך לשגרה.

  • (FLT:0Data Quality andייצוג: FLT:1 רוב דגמי AI הוכשרו על סריקות DEXA באיכות גבוהה מהגדרות מחקר מבוקרות היטב. סריקות בעולם האמיתי מכילות לעתים קרובות חפצים מתנועה סבלנית, השמנת יתר, שתלים ספינים או ניגודיות.מודל מאומן על נתונים prise עשוי להכלל באופן לא נעים.
  • (FLT:0 יחסיות ואמון: FLT:1 מודלים למידה עמוקה הם לעתים קרובות "קופסאות שחורות" רדיולוגים הם חובה להסתמך על מערכת שלא יכולה להסביר מדוע היא משטפת טרה מסוימת כמו אוסטאופוטי.
  • (FLT:0) רגולציה ונוף משפטי: FLT:1 , AI תוכנה המשפיעה על החלטות קליניות חייב לעבור אישור קפדני על ידי גופים כמו ה- FDA (ארה"ב), סימון CE (אירופה), או MHRA (בריטניה) סיווג של AI כמכשיר רפואי פירושו שעדכונים או החלמה עשויים לדרוש שיפור מוכח, להאט את השיפורים.
  • (FLT:0) אינטגרציה עם זרימת עבודה קיימת: ההרחבה 1 (DEXA) סורקים רבים פועלים על מורשת PACS או תוכנה קניינית. integrating AI לתוך דוחות רדיולוגיה מבלי להפריע לזרימה קלינית דורש API חזקים ותמיכה IT.חלק מבתי החולים צריכים לעצב מחדש תבניות כדי לכלול ערכים מתוחכמים של AI לצד קריאה אנושית.
  • (FLT:0)שוויון והטיה: אם נתוני אימון אינם מייצגים אוכלוסיות מגוונות (על ידי אתניות, גיל, הרגל גוף), AI עשוי לבצע גרוע יותר עבור קבוצות תת-ייצוגיות, להחמיר פערי בריאות.Efforts הם בדרך לאסוף נתונים מאוזנים, אך הספרות הנוכחית מראה כי רוב קבוצות האימונים הן בעיקר לבן, נשים, וממדינות בעלות הכנסה גבוהה.

כיוונים עתידיים

אינטגרציה עם Multimodal Data

הגבול הבא משלב את הפלטים של DEXA-derived AI עם נתונים קליניים אחרים: סמנים ביולוגיים סרום (vitamin D, PTH, סמן מחזור העצם), גנטיקה, ודמיית ממודולים אחרים (CT אנטי-גנטי, רזולוציה גבוהה peripheral QCT). מודל חיזוי סיכון הוליסטי הממזג מרקם של AI-ex ממושכים עם משתנים יכול לעלות על ציוני סיכון נוכחיים מבוססי FRAX.

תרגום אוטומטי לחלוטין

מערכות AI מקצה לקצה שמנהלות בקרת איכות תמונה, פלח, חישוב BMD, הערכה שבר, ודור הדו"ח כבר בשלבי אב-טיפוס. חלק מהמערכות אפילו כוללות את הדור הטבעי של שפה (NLG) כדי לייצר טקסט רושם נרטיבי.אם הוא תוקף, אלה יכולים להפחית את תפקידו של הרדיולוג לפקח ולטיפול יוצא דופן, עלייה דרמטית ביכולת.

סקר ויזואלי שנעשה שימוש ב- non-DEXA Scans

AI מאפשר גם הערכה של צפיפות העצם "אופטיניסטית" של סריקות CT שגרתיות (למשל, בטן או CT החזה) על ידי הגדלת ערכי העצימה העצם. בעוד לא החלפת DEXA, גישה זו יכולה לזהות אוסטאופורוזיס שלא ניתן להבחין בעבר בחולים שעברו CT עבור אינדיקציות אחרות, תוך הכפלת שיעור הגילוי באוכלוסיות מסוימות.

למידה מתמשכת ולמידה מתמשכת

כדי לשמור על מודלים AI מעודכנים עם מודלים חדשים של סורק ודמוגרפיות מטופלים, אלגוריתמים למידה מתמשכת להסתגל ללא אימון מלא מפותחים. למידה פדרated מאפשר מוסדות מרובים לשתף פעולה על שיפור מודל ללא שיתוף נתונים רגישים לחולה, טיפול בבעיות הפרטיות תוך הרחבת המגוון של נתונים.

מסקנה

טכניקות מבוססות בינה מלאכותית ממצמצות במהירות מכלים ניסיוניים במערכות משולבות קלינית לניתוח סריקה DEXA. על ידי הפעלת פלח, מדידה בצפיפות וגילוי שבר, שיטות אלה מציעות שיפורים מוחשיים במהירות, עקביות ונגישות. ראיות מוקדמות מראות כי AI יכול להתאים או לעלות ביצועים ידניים בהגדרות מבוקרות, עם היתרון הנוסף של תוצאות מקריות ומאפשרות דיוקים לטווח ארוך, אבחון מלא, פיתוח מודלים קליניים, ושילוב יעיל יותר, כמו גם עבור קבוצות הפעלה שונות, כמו גם עבור פונקציות הפעלה.