基于深度学习模型的腰椎间盘突出磁共振影像学分级与定位

背景：腰椎间盘突出（LDH）在MRI上的分级与定位方法复杂、耗时且主观。利用深度学习（DL）模型作为辅助可以减轻这些复杂性。目的：开发一种可解释的DL模型，能够对LDH进行分级和定位。研究类型：回顾性。对象：评估了1496名患者（男/女：783/713），并随机分为训练集（70%）、验证集（10%）和测试集（20%）。场强/序列：1.5T MRI，用于轴位T2加权序列（自旋回声）。评估：训练集由三名脊柱外科医生使用密歇根州立大学分类法注释，以训练DL模型。测试集由一名脊柱外科专家（作为真实标签）和两名脊柱外科医生（与训练模型对比）注释。使用外部测试集评估DL模型的普适性。统计测试：计算检测一致性的交并比（IoU），利用Gwet的AC1评估观察者间一致性，根据灵敏度和特异性评估模型性能，统计显著性设定为P < 0.05。结果：DL模型在内部测试数据集中实现了高检测一致性（分级：平均IoU 0.84，召回率99.6%；定位：IoU 0.82，召回率99.5%）以及外部测试数据集（分级：0.72，98.0%；定位：0.71，97.6%）。对于内部测试，DL模型（分级：0.81；定位：0.76），评估者1（0.88；0.82）和评估者2（0.86；0.83）显示出与真实标签高度一致的结果。DL模型的整体灵敏度为分级87.0%和定位84.0%，而特异性分别为95.5%和94.4%。对于外部测试，DL模型一致性显著下降（分级：0.69；定位：0.66），灵敏度（77.2%；76.7%）和特异性（92.3%；91.8%）也有所降低。数据结论：DL模型的分类能力与脊柱外科医生相似。未来改善方向为丰富病例的多样性，以提高模型的泛化能力。证据级别：4。技术有效性阶段：2.