深度学习驱动的癌症患者椎体骨折偶然检测:提升诊断精度与临床管理
回顾性分析1556例IV期癌症患者胸腹盆腔CT,深度学习应用标记501例阳性,专家复核436例真阳性,阳性预测值87%。83.5%真阳性椎体骨折未见于放射报告,10例3级骨折漏报中9例经介入放射专家评估适合椎体成形术。
要点
- 深度学习应用标记的501例中436例经专家复核为真阳性,阳性预测值87.0%(95%CI 83.8–89.8%)。
- 83.5%(364/436)真阳性椎体骨折未在放射报告中提及,3级骨折漏报率33.3%(10/30)。
- 假阳性主要原因为硬化性椎体转移、脊柱侧弯和椎体中心点识别错误。
核心结论
- 深度学习应用可辅助放射科医生在成年癌症患者中检出更多偶然性椎体骨折,可能优化及时治疗并减少相关发病率与经济负担。
- 该工具可能改善患者获得椎体成形术等介入治疗的机会。
研究设计与样本
- 回顾性研究,连续收集2023年9月至12月共4个月期间法国Gustave Roussy癌症中心1556例IV期癌症患者的胸腹盆腔CT扫描。
- CT设备为GE Healthcare GE Optima CT660和Siemens Healthineers SOMATOM Force双源CT系统。
- 深度学习应用CINA-VCF Quantix v0.7(Avicenna.AI,法国La Ciotat)标记椎体压缩骨折阳性病例,由两名专家放射科医生复核验证。
- 应用标记的3级骨折由两名专家介入放射科医生独立评估椎体成形术适应证。
- 参考标准为专家放射科医生共识复核及现有放射报告。
关键影像表现/征象
- 椎体压缩骨折按Genant分类分为1级(椎体高度丢失20–25%)、2级(26–40%)、3级(>40%)。
- 假阳性主要原因为硬化性椎体转移妨碍椎体高度测量、脊柱侧弯、以及椎体变形或塌陷导致中心点检测错误。
- 假阴性主要来源为椎体计数和椎体中心点识别不准确。
- 椎体高度丢失算法在椎体水平的95%一致性界限为[−9.89%, 10.57%],偏倚0.34%。
- 椎体标记准确率达98%(95%CI 94.3–99.6%)。
诊断标准与关键数值
- 总病例阳性预测值87.0%(95%CI 83.8–89.8%),椎体水平阳性预测值80.6%(95%CI 77.7–83.2%)。
- 3级骨折病例水平阳性预测值71.4%,椎体水平68.2%;1–2级骨折病例水平阳性预测值88.4%,椎体水平81.3%。
- 独立预试验数据集(152例、1994个椎体)中,椎体骨折检测敏感度92%(95%CI 82–97%)、特异度99%(95%CI 93–100%)、总准确率96%(95%CI 92–99%)。
- L1椎体前部小梁CT衰减均值用于评估骨质疏松风险,生理参考值为122–198 HU。
临床应用与阅片要点
- 深度学习应用可在常规肿瘤CT中自动标记椎体压缩骨折并给出Genant分级和L1–L4平均HU值,供放射科医生复核。
- 阅片时需注意硬化性椎体转移、脊柱侧弯和椎体中心点识别错误可导致假阳性,应用会在可疑区域显示圆点提示高度丢失可能不准确。
- 本研究中83.5%真阳性椎体骨折未见于放射报告,提示日常报告中对偶然性椎体骨折的系统性记录有待加强。
- 两名介入放射科专家对30例3级骨折评估后推荐27例进行椎体成形术,其中9例为放射科医生漏报但被深度学习应用检出。
局限性
- 原文指出未来版本的设备需要解决本研究揭示的当前局限性。
- 原文指出假阳性与脊柱侧弯相关的误差可能尽管采用富集数据集训练仍会持续存在。
- 原文指出极端病例中标志点方法可能失败,因分辨率导致标志点定位精度存在下限。
全文中译12 节 · 点击展开
引言
椎体骨折是与骨质疏松相关的最常见骨折类型,在该疾病患者中占所有骨折的比例高达50% [1–3]。这些骨折主要涉及胸椎和腰椎椎体的椎体压缩性骨折(VCFs)[4, 5]。全球椎体骨折的总体患病率估计约为20% [6]。尽管患病率如此之高,VCFs常常保持无症状且临床上未被发现,导致诊断不足和患者管理欠佳 [7–9]。未确诊的VCFs与死亡率增加、后续骨折风险升高——尤其是髋部骨折——以及制动可能性增大相关 [1, 10–12]。总体而言,这些因素导致预后不良和生活质量显著下降 [13, 14]。
癌症患者面临椎体骨折风险升高。事实上,脊柱是骨骼转移最常见的部位,骨转移会触发破骨细胞活化、不规则骨小梁形成和骨吸收 [15, 16]。化疗药物和糖皮质激素治疗等抗癌治疗可通过直接骨毒性和间接降低性激素机制减少骨矿物质含量 [17, 18]。此外,降低性激素水平是治疗激素依赖性肿瘤的一种策略 [17, 19]。而且,癌症主要影响老龄人群,该人群由于年龄相关的性激素水平下降,本就易患骨病变和骨质疏松 [19]。放疗和放射性核素治疗以及癌症免疫治疗均有利于骨矿物质丢失和骨折 [17, 20–22]。因此,检测VCF和骨质疏松可能显著改善癌症患者的管理和结局。
计算机断层扫描(CT)是癌症患者中广泛使用的检查方法,已被证明在机会性骨质疏松和VCF骨折筛查中具有高度实用性 [23, 24]。然而,机会性病变检测的实施可能因放射科医生面临的过度需求而受到阻碍。随着放射学中深度学习(DL)解决方案的进步,该任务至少可以部分自动化,从而减少临床工作量并提高放射科医生的效率 [25, 26]。放射学中的深度学习应用正在取得重大进展,展示其作为补充工具增强放射科医生表现、减少重复性任务参与以及缓解职业疲劳的潜力 [27–29]。近期已提出多种用于自动化骨质疏松和VCF筛查的工具 [30–40]。在本研究中,我们旨在评估一种用于VCF检测和定量的自动化深度学习工具(CINA-VCF Quantix,Avicenna.AI,拉西奥塔,法国)在作为常规肿瘤诊疗一部分接受CT成像的无症状肿瘤人群中的诊断性能。此外,我们研究了识别出可从椎体成形术中获益且在标准评估中未被放射科医生报告的VCF患者对临床管理的潜在影响。
材料与方法
伦理考量
本研究经Gustave Roussy癌症园区机构审查委员会批准(编号:2024-381)。书面知情同意的要求被豁免。Avicenna.AI为本研究提供了基于深度学习的VCF检测算法。本研究未获得任何财务支持。
数据收集与研究设计
回顾性收集2023年9月至12月在Gustave Roussy研究所(法国维勒瑞夫)为IV期癌症患者实施的所有连续胸腹盆腔(TAP)CT扫描。CT扫描分别采用GE Healthcare GE Optima CT660(GE Healthcare,美国威斯康星州密尔沃基)和Siemens Healthineers SOMATOM® Force双源CT系统(Siemens Healthineers,德国埃尔朗根)采集。收集纳入患者的人口学数据,包括年龄、性别、癌症类型、骨转移状态和脊柱治疗状态。
所有收集的病例均通过基于深度学习的CINA-VCF Quantix应用程序0.7版(Avicenna.AI,法国拉西奥塔)进行分析以检测椎体压缩性骨折(VCF)。被标记为VCF阳性的病例(1级、2级和3级,根据Genant分类[41],分别对应椎体高度丢失20–25%、26–40%和> 40%)由两名专家放射科医师(一名高级和一名初级)进行复核,以验证VCF发现。基于现有报告,将深度学习应用程序的性能与放射学评估进行回顾性比较。
深度学习应用程序检测到的所有3级骨折由两名专家介入放射科医师(分别具有10年和2年经验)独立分析,以评估他们是否会对这些严重椎体骨折行椎体成形术治疗。
最后,如既往报道所述,为评估骨质疏松风险,评估L1椎体前部骨小梁CT衰减值,以平均Hounsfield单位(HU)表示[42]。采用感兴趣区(ROI)方法,深度学习应用程序对所有L1椎体可见且无硬化性转移和骨折的扫描自动计算平均HU值。
深度学习算法与训练方法
该基于深度学习的算法由Avicenna.AI(CINA-VCF Quantix v0.7,法国拉西奥塔)开发,并按照既往报道进行开发和训练[43]。简言之,该算法基于2D/3D U-Net卷积神经网络架构构建。它识别并标准化脊柱,检测并标记胸椎和腰椎,并排除含有骨水泥或其他材料的椎体。该模型在2021年至2022年间从美国和法国中心采集的886例病例中的12,402个椎体上进行训练。数据集涵盖广泛的临床多样性,确保在扫描仪制造商、患者年龄组、性别、对比剂类型、视野和层厚方面具有均衡的代表性。具体而言,椎体高度丢失(VHL)算法在训练数据集的代表性亚组上进行训练,该亚组包含325例病例,代表3,576个单独标注的椎体。T1至L5之间的每个椎体节段均有代表,其中L1出现频率最低(100次),T11–T12最高(198次),反映了目标视野覆盖范围。训练数据集和试点验证数据集的标注流程相同,每个椎体产生六个共面点,分别对应椎体前、中、后测量段的中点。随后训练模型在由测量所定义的矢状面内、以椎体为中心的2D图像块上重现这些定位点。该算法量化相对于相邻椎体的椎内和椎间高度丢失,计算VHL并由此得出Genant分级。作为最后一步,一个专用算法在轴位面上于椎体中部水平定义椭圆形感兴趣区(ROI)放置,用于平均HU测量。输出包括椎体标记、VHL分级(Genant 1–3级骨折)以及L1–L4或T8–T11的平均HU值(若腰椎不在视野内)。
为尽量减少模型训练中的偏倚,选择过程特别针对椎体水平分级分布接近一般人群患病率(89.1%为0级,4.5%为1级,4.7%为2级,1.7%为3级)。它包括55.7%至少有一个椎体分级>0的患者和44.3%至少有一个混杂因素的患者。由于骨转移患者数量有限,数据增强包括Hounsfield Unit偏移。在小批量构建过程中使用分层抽样策略,以补偿高分级普遍较低的患病率。
该算法在包含152例病例共1,994个椎体的独立试点数据集上进行评估。对于检测VCF,其敏感度为92%(95% CI 82–97%),特异度为99%(95% CI 93–100%),总体准确率为96%(95% CI 92–99%)。椎体标记准确率达到98%(95% CI 94.3–99.6%),椎体水平高度丢失的95%一致性界限为[− 9.89%,10.57%],偏倚为0.34%。平均Hounsfield Unit(HU)测量实现了强相关(范围0.6至0.8)。
统计分析
通过将基于深度学习(DL)的应用结果与两位临床专家放射科医师的评估进行比较,计算了VCF检测的每患者和每椎体阳性预测值(PPV),这两位专家仅评估了被DL应用标记为阳性的病例。通过将软件结果与临床报告进行比较,评估了每患者和每椎体的VCF未报告率。最后,基于已记录的临床报告与两位专家介入放射科医师的独立评估的比较,计算了椎体成形术漏诊率。所有统计分析均使用MedCalc统计软件(v20.015,MedCalc Software Ltd.,Ostend,Belgium)进行。
结果
研究人群
本研究共收集了3055次计算机断层扫描(CT)检查,时间跨度为4个月,从2023年9月至12月。所有病例均由CINA-VCF Quantix应用处理。其中,1499次扫描(49.1%)因不符合采集方案而被基于DL的应用排除(图1)。排除原因归因于患者年龄(因为该应用处理50岁及以上患者的病例)以及不兼容的层厚或重建卷积核。在研究保留的1556次CT扫描中,506例被该应用标记为椎体压缩骨折阳性。经过详细审查,在阳性标记的CT扫描中,有5例对应同一批VCF患者在研究期间的二次检查,因此作为重复数据被排除(图1)。最终,501例被CINA-VCF Quantix标记为阳性的个体患者被保留用于统计分析。501例患者的平均年龄为63.6 ± 11.5岁,其中女性231例(46.1%)。对于转移瘤、骨质疏松或VCF介入治疗数据可获取的患者,分布如下:平均骨密度为126.04 ± 46.32 HU(n = 431);在445例有可用数据的患者中,140例(31.46%)存在骨转移;在430例有可获取记录的患者中,217例(50.46%)存在骨质疏松。最后,在441例有可用信息的患者中,32例(7.26%)既往接受过VCF介入治疗。见表1和图1。补充图1展示了数据集中的特殊情况。
基于DL的应用的诊断性能
在对501例被基于深度学习(DL)的应用标记为阳性的病例进行仔细审查后,两位专家放射科医师在共识分析中确认436例为椎体压缩性骨折(VCF)真阳性(TP)。关于真阳性病例的原发肿瘤分布,肺癌、头颈部肿瘤和皮肤肿瘤(不包括黑色素瘤)分别占19.2%、18.8%和10%。激素依赖性肿瘤在数据集中分布相当,前列腺癌病例占8.6%,乳腺肿瘤病例占7.6%。补充图2展示了按原发肿瘤部位划分的额外数据分布。65例被认为是假阳性(FP),导致阳性预测值(PPV)为87.0%(95% CI 83.8–89.8%)(图1)。真阴性(TN)和真阳性(TP)提示的代表性示例见图2。
关于单个椎体,在436例真阳性病例中,共有683个单个VCF。其中,680个被基于DL的应用正确识别;因此,遗漏了3个VCF。此外,该应用将164个椎体识别为骨折;然而,专家放射科医师将其归类为假阳性,导致每个椎体的PPV为80.6%(95% CI 77.7–83.2%)(图1)。假阴性和假阳性检测的示例见图3。关于VCF分级,根据专家的判断,350例被认为是1级(1例假阴性、75例假阳性和274例真阳性),452例为2级(1例假阴性、75例假阳性和376例真阳性),45例为3级(1例假阴性、14例假阳性和30例真阳性)。
与假阳性相关的主要原因包括:硬化性椎体转移瘤,妨碍椎体高度测量;脊柱侧弯;以及由于椎体变形或塌陷导致的质心检测不正确(图3A–C)。在后一种情况下,基于DL的应用会在该区域显示一个圆点,以提醒用户所显示的高度丢失很可能不正确(图3C)。
关于假阴性(图3D),确定了当前算法不准确的两个主要来源,分别与椎体计数和椎体质心识别有关。这两个假阴性来源将在讨论部分中加以阐述。
放射科医师未报告的VCF检测
在436例真阳性病例中,364例(83.5%)未在放射学报告中被提及。因此,这些患者可被视为在常规临床实践中被放射科医生遗漏或未报告(图4)。关于按椎体统计的发现,在基于深度学习(DL)的应用正确检测到的680处骨折中,550处(80.9%)未被放射科医生报告(图4)。在这些骨折中,540处被分类为1级或2级,占所有650处真阳性1级和2级骨折的83%。这些对应于85.7%的患者(418例中的358例)。此外,30处3级骨折中有10处(33.3%)未被放射科医生报告(图4)。这些对应于36.0%的患者(25例中的9例)。
关于骨折定位,在650处1级和2级骨折中,317处(48.8%)为胸椎骨折,315处(48.5%)为腰椎骨折。未观察到应用性能在胸椎或腰椎方面的差异。在202处1级和2级骨折患者合并椎体转移的椎体骨折中,41处(20.3%)骨折与转移过程相关。此外,关于3级椎体压缩性骨折(VCF),30处骨折中22处(73.3%)位于胸椎,8处(26.6%)位于腰椎。在13处3级VCF患者合并椎体转移的骨折中,6处(46.2%)骨折与转移过程相关。
临床管理结局
最后,两位介入放射学专家(分别具有10年和2年临床经验)独立审查了所有3级骨折,以评估这些严重病例中椎体成形术的潜在指征。在审查的30处骨折中,27例推荐行骨水泥成形术。在放射科医生最初遗漏的10处骨折中,9例被认为适合行骨水泥成形术(图4)。该分析强调,需要干预的骨折中有33%(9/27)被基于DL的应用检测到,但在常规临床实践中未被放射科医生报告。
讨论
本研究的目的是评估基于DL的应用在无症状肿瘤患者常规CT扫描中检测偶然性VCF的诊断性能。该基于DL的工具对所有VCF的按病例PPV为87.0%,按椎体PPV为80.6%。对于3级VCF,按病例和按椎体PPV分别为71.4%和68.2%。关于1–2级VCF,这些值分别为88.4%和81.3%。放射科医生未在报告中描述基于DL的应用检测到的83.5%的VCF病例和80.9%的单个椎体骨折。最后,在放射科医生未报告且被基于DL的工具检测到的10个3级骨折椎体中,经两位经验丰富的介入放射科医生评估,9个需要介入操作。
椎体压缩性骨折(VCF)的自动检测是一个不断发展的研究领域。针对不同的成像模态,已提出了多种解决方案。用于标准X线摄影的深度学习(DL)工具在VCF检测中已显示出高准确率,超过98.5% [44, 45]。此外,这些工具已被证明对医疗系统具有成本效益 [46]。基于MRI的VCF自动检测已显示出与脊柱外科医生相当的性能 [47]。值得注意的是,一种用于基于MRI的VCF检测的DL应用显著提高了经验较少的放射科医生的准确率 [48]。用于基于CT的VCF检测的DL算法也在不断进步,其工具能够进行椎体标记、分割和转移灶检测 [35, 39]。此外,CT已被证明是自动化骨质疏松筛查的最佳模态,这与检测VCF的应用尤为相关 [34, 36, 37]。基于CT的VCF检测DL工具的性能在敏感度方面为47.4%至98.7%,在特异度方面为63.9%至95.8% [31, 33, 38, 40]。目前正在评估的应用CINA-VCF Quantix在既往研究中显示出92.3%的敏感度和91.7%的特异度 [43]。
关于本研究,该应用表现出相对较高的PPV值(总体每病例PPV为87.0%)。最低的PPV见于3级VCF(总体每病例PPV为71.4%)。在基于DL的应用产生的35个警报中,有10个为假阳性病例。这些假阳性检测的主要原因包括硬化性椎体转移瘤、脊柱侧凸和质心检测不正确。所有这些原因均导致椎体高度测量不正确。鉴于这一PPV,放射科医生需要额外复核八分之一的被标记病例。然而,由于这些病例与严重影响患者生活质量的混杂因素和病变相关,复核这些病例可能非常有益。关于既往已发表的文献,其他基于DL的VCF自动检测工具此前报告的PPV为46.7% [32]和13.9% [40]。因此,目前评估的应用表现更好,并为其在临床实践中的实施展示了令人关注的性能。
关于假阳性,发现基于DL的应用在存在混杂因素(如硬化性转移瘤和脊柱侧凸)时会产生错误警报。为减轻这些不准确性,可采用富含表现出这些情况的病例的专用数据集进行训练。然而,与脊柱侧凸相关的假阳性,特别是由质心估计不准确引起的假阳性,尽管采用该策略仍可能持续存在。为解决这一局限性,可提议实施一种专用算法,用于沿头尾轴对脊柱侧凸椎体进行重新定向。
关于假阴性,识别出两个主要的不准确来源。第一个不准确来源发生在测量层面。标志点预测算法的精度既取决于采集分辨率,也取决于椎体的呈现方式。由于模型在某种程度上学会了识别与椎体轮廓相关的模式,它可能被解剖变异或混杂因素所干扰,这些因素改变了这些轮廓的一般形状或强度,导致高度丢失比率出现误差,并可能将椎体分类为0级而非1级或更高。第二个不准确来源发生在一般处理的初步步骤中,即使用专用深度学习模型定位椎体中心。这些位置与每个候选椎体的概率相关联。当该概率低于置信水平时,该候选椎体在测量和标注中均被忽略。当被忽略的椎体是唯一一个高级别的椎体时,该病例可能被标记为阴性。尽管如此,该设备的未来版本将需要解决本研究揭示的当前局限性。这两个误差来源显然都将受益于更多数据,重点是增加具有更多高级别椎体和混杂因素的患者,这些因素目前在预处理期间被忽略或受到标志点错位的影响。然而,鉴于在更极端的情况下标志点方法可能失败(由于分辨率的原因,标志点定位精度存在下限),我们可能会用专门用于独立于测量本身来标记这些极端情况的分类器来补充当前方法。
在深度学习应用检测胸椎或腰椎椎体骨折(VCF)的性能方面未观察到差异。这种一致性可能归因于训练方法,即模型在单椎体水平进行训练。椎体高度被单独评估并与相邻椎体比较,以基于椎间高度差异计算椎体高度丢失(VHL)。因此,该算法独立于解剖区域运行,未表现出对胸椎或腰椎的偏倚。
在这项针对无症状肿瘤患者群体的研究中,我们报告称,在基于深度学习(DL)的应用检测到的真阳性病例中,放射科医生未报告83.5%的椎体压缩性骨折(VCF)阳性患者。该数据与既往发表的数据一致,提示放射科医生在常规CT扫描检查中未报告84%的VCF患者[49]。在既往一项针对受限患者队列(105例)的研究中,基于DL工具检测到的19例真阳性病例中有12例(63.2%)未被放射科医生报告[32]。这凸显了相当比例的患者被特定预防措施所忽视,因为既往发表的数据表明,19.2%的偶然性椎体骨折患者可能在一年内发生新的椎体骨折[50]。此外,这些骨质疏松患者发生髋部骨折的风险增加,髋部骨折与椎体骨折一起,在所有骨折类型中构成公共卫生领域最高的经济负担[51]。因此,对该高危患者群体进行早期检测可能是一种具有成本效益的策略[5, 52, 53]。在放射科医生未报告的3级骨折中,有9例本应符合介入治疗的条件。重要的是,及时的椎体成形术可以减轻疼痛并降低后续骨折的风险[54]。因此,如果在这些患者的检查过程中实施了基于DL的VCF检测工具,他们本可获得显著的临床获益。
本研究强调,在一家三级癌症中心的标准临床实践中,83.5%的VCF未被放射科医生报告。然而,这些结果应在真实世界临床实践的视角下审视,该实践存在若干局限性。首先,扫描是在无VCF临床指征的无症状患者中进行的,因此放射科医生进行的是肿瘤学评估,而非系统性地评估VCF。工作疲劳和高工作量等因素可能影响放射科医生的评估,限制了可用于全面病例审阅和报告的时间,导致偶然发现的遗漏。其次,如果VCF在数年内保持稳定,放射科医生通常不会对其进行描述。肿瘤患者定期接受CT扫描,通常每季度一次,持续多年,而当前分析是在单一时间点进行的。因此,研究期间软件检测到的某些骨折很可能已在较早的扫描中有所报告,而在当前检查中无显著变化,导致其在放射学报告中被遗漏。最后,与放射科医生的肉眼相比,DL软件在检测1级VCF方面具有高敏感性。然而,这些骨折的临床或治疗相关性有限。综上所述,尽管DL应用用于偶然性VCF检测的输出可能提供有用的临床信息,但只有在放射科医生审阅后,其才对患者结局具有临床相关性。
此前已提出两种放射科医师与深度学习(DL)工具交互的临床策略,用于处理椎体压缩性骨折(VCF)等偶然发现。一方面,基于DL的应用可作为第二读者,帮助检测偶然性病变,捕捉漏诊病例。另一方面,它可作为分诊工具,对DL标记的警报进行优先级排序,从而提高偶然发现检测的效率。然而,后一种策略存在忽略基于DL的应用未标记的假阴性病例的风险。这可以通过在应用的敏感性与特异性之间进行可调平衡以及优化临床工作流程来克服[55]。关于CINA-VCF Quantix,该应用被证明是放射学实践中补充使用的有用工具,可改善临床工作流程,有望减少放射科医师的工作量并提高对偶然性VCF发现的警觉性。我们认为,所提出的两种DL工具实施策略在临床常规中检测VCF均具有潜在有效性。然而,其有效性应单独评估,同时考虑各临床中心的具体需求、其专业领域以及针对VCF发现患者管理的现有临床方案。
本研究存在局限性。首先,作为一项回顾性研究,它未评估真实世界的临床整合或对患者管理的实时影响。此外,研究的回顾性性质可能引入选择偏倚。为平衡这一偏倚,已纳入特定时间段内所有连续CT扫描。其次,这是一项单中心研究,限制了结果对其他中心和医疗实践的普适性。此外,研究仅关注具有肿瘤学特征的患者,这些患者在年龄、治疗方式和随访方面具有特定特征。该人群可能过度暴露于骨质疏松和VCF,从而增加了最终队列中这些发现的数量。最后,尽管已有报告,我们未使用该应用提供的骨质疏松参数(平均HU),因为本研究的主要目的是评估VCF检测的诊断性能以及肿瘤科常规肿瘤临床实践中VCF阳性患者的未报告率。
结论
总之,本研究证明了基于DL的应用整合到临床工作流程中以在常规CT扫描中检测机会性VCF的潜在临床获益。重要的是,该应用被证明能有效检测三级癌症中心中先前被忽视的严重(3级)VCF患者,从而促进将其转介至适当的治疗路径,并有望改善临床结局。该系统可补充放射科医师的评估,改善VCF患者的识别以纳入预防性治疗路径并降低未报告率,从而有助于改善患者的长期结局。
补充信息
以下是电子补充材料的链接。补充文件1(DOCX 1775 kb)
引用
- Mniai EM, Laletin V, Tselikas L, et al. Deep learning-driven incidental detection of vertebral fractures in cancer patients: advancing diagnostic precision and clinical management. Radiol Med. 2025. PMID: 40751896. doi:10.1007/s11547-025-02058-z
- 全文:PMC12546477(PMC 开放获取,CC BY)https://pmc.ncbi.nlm.nih.gov/articles/PMC12546477/
供执业医师工作参考,不替代临床判断;数值与分级以指南原文为准。