Toward Non-Invasive Diagnosis of Bankart Lesions with Deep Learning

要約

バンカート病変、つまり関節窩前下唇裂傷は、画像上の特徴が微妙なため、標準的な MRI では診断が難しく、多くの場合、侵襲的 MRI 関節造影検査（MRA）が必要となります。
この研究では、診断精度を向上させ、MRAへの依存を減らすことを目的として、標準的なMRIとMRAの両方でバンカート病変を検出するためのディープラーニング（DL）モデルを開発しました。
私たちは、関節鏡検査を受けた 558 人の患者からの 586 件の肩 MRI (標準 335 件、MRA 251 件) のデータセットを厳選しました。
グラウンド トゥルース ラベルは、バンカート病変診断のゴールドスタンダードである術中所見から得られました。
MRA と標準 MRI 用の個別の DL モデルは、公開されている膝 MRI データセットで事前トレーニングされた Swin Transformer アーキテクチャを使用してトレーニングされました。
パフォーマンスを最適化するために、サジタル、アキシャル、コロナル ビューからの予測が統合されました。
モデルは 20% ホールドアウト テスト セット (117 個の MRI: 46 個の MRA、71 個の標準 MRI) で評価されました。
バンカート病変は、MRA の 31.9%、標準 MRI の 8.6% で特定されました。
このモデルは、標準的な MRI および MRA でそれぞれ 0.87 (精度 86%、感度 83%、特異度 86%) および 0.90 (精度 85%、感度 82%、特異度 86%) の AUC を達成しました。
これらの結果は、当社のデータセットおよび報告された文献指標に基づいた放射線科医のパフォーマンスと同等またはそれを上回っています。
特に、非侵襲性の標準 MRI に対する私たちのモデルのパフォーマンスは、MRA を解釈する放射線科医と同等かそれを上回りました。
この研究は、バンカート病変のような微妙な病状によってもたらされる診断上の課題に対処するために DL を使用する実現可能性を示しています。
私たちのモデルは、診断の信頼性を向上させ、侵襲的な画像処理への依存を減らし、治療へのアクセスを向上させる可能性を実証しています。

要約(オリジナル)

Bankart lesions, or anterior-inferior glenoid labral tears, are diagnostically challenging on standard MRIs due to their subtle imaging features-often necessitating invasive MRI arthrograms (MRAs). This study develops deep learning (DL) models to detect Bankart lesions on both standard MRIs and MRAs, aiming to improve diagnostic accuracy and reduce reliance on MRAs. We curated a dataset of 586 shoulder MRIs (335 standard, 251 MRAs) from 558 patients who underwent arthroscopy. Ground truth labels were derived from intraoperative findings, the gold standard for Bankart lesion diagnosis. Separate DL models for MRAs and standard MRIs were trained using the Swin Transformer architecture, pre-trained on a public knee MRI dataset. Predictions from sagittal, axial, and coronal views were ensembled to optimize performance. The models were evaluated on a 20% hold-out test set (117 MRIs: 46 MRAs, 71 standard MRIs). Bankart lesions were identified in 31.9% of MRAs and 8.6% of standard MRIs. The models achieved AUCs of 0.87 (86% accuracy, 83% sensitivity, 86% specificity) and 0.90 (85% accuracy, 82% sensitivity, 86% specificity) on standard MRIs and MRAs, respectively. These results match or surpass radiologist performance on our dataset and reported literature metrics. Notably, our model’s performance on non-invasive standard MRIs matched or surpassed the radiologists interpreting MRAs. This study demonstrates the feasibility of using DL to address the diagnostic challenges posed by subtle pathologies like Bankart lesions. Our models demonstrate potential to improve diagnostic confidence, reduce reliance on invasive imaging, and enhance accessibility to care.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google