A Progressive Risk Formulation for Enhanced Deep Learning based Total Knee Replacement Prediction in Knee Osteoarthritis

要約

膝の変形性関節症患者のさまざまな時間の範囲内で、膝の合計置換（TKR）のニーズを予測するための深い学習モデルを開発しました。新しい能力を使用して、モデルは単一のスキャンを使用してTKR予測を実行でき、さらに以前のスキャンを利用できる場合、予測を改善するために進行性リスク定式化を活用します。
患者の各スキャンを独立して治療する従来のアプローチとは異なり、我々の方法は病気の進行性に基づいた制約を組み込んでおり、膝の複数のスキャンが利用可能な場合、予測されるTKRリスクが増加するか、時間の経過とともに安定したままであることを保証します。
これは、研究で複数のスキャンを行っている患者とのトレーニング中に進行性リスク製剤の制約を実施することによって達成されました。
変形性関節症イニシアチブ（OAI）および多施設変形性関節症の研究（ほとんど）の膝のX線写真とMRIがこの作業で使用され、1、2、および4年の期間以内にTKRを予測するように深い学習モデルが訓練されました。
デュアルモデルリスク制約アーキテクチャを利用した提案されたアプローチは、ベースラインと比較して優れたパフォーマンスを実証しました – 標準的なバイナリクロスエントロピー損失で訓練された従来のモデル。
OAIレントゲン写真テストセットで1年間のTKR予測で0.87と0.47のAUPRCを達成し、0.79のベースラインAUROCおよび0.34のAUPRCを大幅に改善しました。
最もX線撮影テストセットでは、提案されたアプローチは、1年予測で0.77のAUROCと0.25のAUPRCを達成し、0.71のベースラインAUROCおよび0.19のAUPRCを上回りました。
同様の傾向がMRIテストセットで観察されました

要約(オリジナル)

We developed deep learning models for predicting Total Knee Replacement (TKR) need within various time horizons in knee osteoarthritis patients, with a novel capability: the models can perform TKR prediction using a single scan, and furthermore when a previous scan is available, they leverage a progressive risk formulation to improve their predictions. Unlike conventional approaches that treat each scan of a patient independently, our method incorporates a constraint based on disease’s progressive nature, ensuring that predicted TKR risk either increases or remains stable over time when multiple scans of a knee are available. This was achieved by enforcing a progressive risk formulation constraint during training with patients who have more than one available scan in the studies. Knee radiographs and MRIs from the Osteoarthritis Initiative (OAI) and Multicenter Osteoarthritis Study (MOST) were used in this work and deep learning models were trained to predict TKR within 1, 2, and 4-year time periods. The proposed approach, utilizing a dual-model risk constraint architecture, demonstrated superior performance compared to baseline – conventional models trained with standard binary cross entropy loss. It achieved an AUROC of 0.87 and AUPRC of 0.47 for 1-year TKR prediction on the OAI radiograph test set, considerably improving over the baseline AUROC of 0.79 and AUPRC of 0.34. For the MOST radiograph test set, the proposed approach achieved an AUROC of 0.77 and AUPRC of 0.25 for 1-year predictions, outperforming the baseline AUROC of 0.71 and AUPRC of 0.19. Similar trends were observed in the MRI testsets

arxiv情報

提供元, 利用サービス

arxiv.jp, Google