验证用于检测巴西圣保罗患者骨龄的深度学习算法

Q3 Medicine
Augusto Sarquis Serpa, Abrahão Elias Neto, Felipe Campos Kitamura, Soraya Silveira Monteiro, Rodrigo Ragazzini, Gustavo Antunes Rodrigues Duarte, Lucas André Caricati, Nitamar Abdala
{"title":"验证用于检测巴西圣保罗患者骨龄的深度学习算法","authors":"Augusto Sarquis Serpa, Abrahão Elias Neto, Felipe Campos Kitamura, Soraya Silveira Monteiro, Rodrigo Ragazzini, Gustavo Antunes Rodrigues Duarte, Lucas André Caricati, Nitamar Abdala","doi":"10.1590/0100-3984.2023.0056","DOIUrl":null,"url":null,"abstract":"Resumo Objetivo: Validar em indivíduos paulistas um modelo de aprendizado profundo (deep learning - DL) para estimativa da idade óssea, comparando-o com o método de Greulich e Pyle. Materiais e Métodos: Estudo transversal com radiografias de mão e punho para idade óssea. A análise manual foi feita por um radiologista experiente. Foi usado um modelo baseado em uma rede neural convolucional que ficou em terceiro lugar no desafio de 2017 da Radiological Society of North America. Calcularam-se o erro médio absoluto (mean absolute error - MAE) e a raiz do erro médio quadrado (root mean-square error - RMSE) do modelo contra o radiologista, com comparações entre sexo, etnia e idade. Resultados: A amostra compreendia 714 exames. Houve correlação entre ambos os métodos com coeficiente de determinação de 0,94. O MAE das predições foi 7,68 meses e a RMSE foi 10,27 meses. Não houve diferenças estatisticamente significantes entre sexos ou raças (p > 0,05). O algoritmo superestimou a idade óssea nos mais jovens (p = 0,001). Conclusão: O nosso algoritmo de DL demonstrou potencial para estimar a idade óssea em indivíduos paulistas, independentemente do sexo e da raça. Entretanto, há necessidade de aprimoramentos, particularmente em pacientes mais jovens.","PeriodicalId":20842,"journal":{"name":"Radiologia Brasileira","volume":" 12","pages":""},"PeriodicalIF":0.0000,"publicationDate":"2023-12-01","publicationTypes":"Journal Article","fieldsOfStudy":null,"isOpenAccess":false,"openAccessPdf":"","citationCount":"0","resultStr":"{\"title\":\"Validação de algoritmo de aprendizado profundo para detecção da idade óssea em pacientes de São Paulo, Brasil\",\"authors\":\"Augusto Sarquis Serpa, Abrahão Elias Neto, Felipe Campos Kitamura, Soraya Silveira Monteiro, Rodrigo Ragazzini, Gustavo Antunes Rodrigues Duarte, Lucas André Caricati, Nitamar Abdala\",\"doi\":\"10.1590/0100-3984.2023.0056\",\"DOIUrl\":null,\"url\":null,\"abstract\":\"Resumo Objetivo: Validar em indivíduos paulistas um modelo de aprendizado profundo (deep learning - DL) para estimativa da idade óssea, comparando-o com o método de Greulich e Pyle. Materiais e Métodos: Estudo transversal com radiografias de mão e punho para idade óssea. A análise manual foi feita por um radiologista experiente. Foi usado um modelo baseado em uma rede neural convolucional que ficou em terceiro lugar no desafio de 2017 da Radiological Society of North America. Calcularam-se o erro médio absoluto (mean absolute error - MAE) e a raiz do erro médio quadrado (root mean-square error - RMSE) do modelo contra o radiologista, com comparações entre sexo, etnia e idade. Resultados: A amostra compreendia 714 exames. Houve correlação entre ambos os métodos com coeficiente de determinação de 0,94. O MAE das predições foi 7,68 meses e a RMSE foi 10,27 meses. Não houve diferenças estatisticamente significantes entre sexos ou raças (p > 0,05). O algoritmo superestimou a idade óssea nos mais jovens (p = 0,001). Conclusão: O nosso algoritmo de DL demonstrou potencial para estimar a idade óssea em indivíduos paulistas, independentemente do sexo e da raça. Entretanto, há necessidade de aprimoramentos, particularmente em pacientes mais jovens.\",\"PeriodicalId\":20842,\"journal\":{\"name\":\"Radiologia Brasileira\",\"volume\":\" 12\",\"pages\":\"\"},\"PeriodicalIF\":0.0000,\"publicationDate\":\"2023-12-01\",\"publicationTypes\":\"Journal Article\",\"fieldsOfStudy\":null,\"isOpenAccess\":false,\"openAccessPdf\":\"\",\"citationCount\":\"0\",\"resultStr\":null,\"platform\":\"Semanticscholar\",\"paperid\":null,\"PeriodicalName\":\"Radiologia Brasileira\",\"FirstCategoryId\":\"1085\",\"ListUrlMain\":\"https://doi.org/10.1590/0100-3984.2023.0056\",\"RegionNum\":0,\"RegionCategory\":null,\"ArticlePicture\":[],\"TitleCN\":null,\"AbstractTextCN\":null,\"PMCID\":null,\"EPubDate\":\"\",\"PubModel\":\"\",\"JCR\":\"Q3\",\"JCRName\":\"Medicine\",\"Score\":null,\"Total\":0}","platform":"Semanticscholar","paperid":null,"PeriodicalName":"Radiologia Brasileira","FirstCategoryId":"1085","ListUrlMain":"https://doi.org/10.1590/0100-3984.2023.0056","RegionNum":0,"RegionCategory":null,"ArticlePicture":[],"TitleCN":null,"AbstractTextCN":null,"PMCID":null,"EPubDate":"","PubModel":"","JCR":"Q3","JCRName":"Medicine","Score":null,"Total":0}
引用次数: 0

摘要

摘要目的:验证sao保罗个体的深度学习模型(DL),并与Greulich和Pyle的方法进行比较。材料和方法:横断面研究手和手腕x线片的骨年龄。手工分析由经验丰富的放射科医生进行。我们使用了一个基于卷积神经网络的模型,该模型在2017年北美放射学会挑战中排名第三。计算模型与放射科医生的平均绝对误差(MAE)和根均方误差(RMSE),并进行性别、种族和年龄的比较。结果:样本包括714项检查。两种方法之间存在相关性,决定系数为0.94。预测MAE为7.68个月,RMSE为10.27个月。性别和种族间差异无统计学意义(p > 0.05)。该算法高估了年轻人的骨龄(p = 0.001)。结论:我们的DL算法显示了估计sao保罗个体骨年龄的潜力,无论性别和种族。然而,还需要改进,特别是在年轻患者中。
本文章由计算机程序翻译,如有差异,请以英文原文为准。
Validação de algoritmo de aprendizado profundo para detecção da idade óssea em pacientes de São Paulo, Brasil
Resumo Objetivo: Validar em indivíduos paulistas um modelo de aprendizado profundo (deep learning - DL) para estimativa da idade óssea, comparando-o com o método de Greulich e Pyle. Materiais e Métodos: Estudo transversal com radiografias de mão e punho para idade óssea. A análise manual foi feita por um radiologista experiente. Foi usado um modelo baseado em uma rede neural convolucional que ficou em terceiro lugar no desafio de 2017 da Radiological Society of North America. Calcularam-se o erro médio absoluto (mean absolute error - MAE) e a raiz do erro médio quadrado (root mean-square error - RMSE) do modelo contra o radiologista, com comparações entre sexo, etnia e idade. Resultados: A amostra compreendia 714 exames. Houve correlação entre ambos os métodos com coeficiente de determinação de 0,94. O MAE das predições foi 7,68 meses e a RMSE foi 10,27 meses. Não houve diferenças estatisticamente significantes entre sexos ou raças (p > 0,05). O algoritmo superestimou a idade óssea nos mais jovens (p = 0,001). Conclusão: O nosso algoritmo de DL demonstrou potencial para estimar a idade óssea em indivíduos paulistas, independentemente do sexo e da raça. Entretanto, há necessidade de aprimoramentos, particularmente em pacientes mais jovens.
求助全文
通过发布文献求助,成功后即可免费获取论文全文。 去求助
来源期刊
Radiologia Brasileira
Radiologia Brasileira Medicine-Radiology, Nuclear Medicine and Imaging
CiteScore
2.60
自引率
0.00%
发文量
75
审稿时长
28 weeks
×
引用
GB/T 7714-2015
复制
MLA
复制
APA
复制
导出至
BibTeX EndNote RefMan NoteFirst NoteExpress
×
提示
您的信息不完整,为了账户安全,请先补充。
现在去补充
×
提示
您因"违规操作"
具体请查看互助需知
我知道了
×
提示
确定
请完成安全验证×
copy
已复制链接
快去分享给好友吧!
我知道了
右上角分享
点击右上角分享
0
联系我们:info@booksci.cn Book学术提供免费学术资源搜索服务,方便国内外学者检索中英文文献。致力于提供最便捷和优质的服务体验。 Copyright © 2023 布克学术 All rights reserved.
京ICP备2023020795号-1
ghs 京公网安备 11010802042870号
Book学术文献互助
Book学术文献互助群
群 号:481959085
Book学术官方微信