Deep Learning-Based BMD Estimation from Radiographs with Conformal Uncertainty Quantification

要約

限られたDXAアクセスは、骨粗鬆症のスクリーニングを妨げます。
この概念実証研究では、深い学習を介した日和見的な骨ミネラル密度（BMD）推定のために広く利用可能な膝X線を使用して、臨床使用に不可欠な堅牢な不確実性の定量化を強調しています。
OAIデータセットで効率的なネットモデルをトレーニングして、両側膝のX線写真からBMDを予測しました。
2つのテスト時間増強（TTA）方法が比較されました：従来の平均化とマルチサンプルアプローチ。
重要なのは、統計的に厳格な患者固有の予測間隔を保証したカバレッジを備えた統計的に厳密な患者固有の予測間隔を提供するために、分割されたコンフォーマル予測を実装しました。
結果は、0.68（従来のTTA）のピアソン相関を示しました。
従来のTTAはより良いポイント予測をもたらしましたが、マルチサンプルアプローチは、カバレッジを維持しながら、わずかに厳しい信頼区間（90％、95％、99％）を生成しました。
このフレームワークは、挑戦的なケースに対してより高い不確実性を適切に表明しました。
膝X線と標準DXAの間の解剖学的ミスマッチは即時の臨床使用を制限しますが、この方法は、日常的なX線写真を使用して信頼できるAIアシストBMDスクリーニングの基礎を確立し、早期骨粗鬆症検出を改善する可能性があります。

要約(オリジナル)

Limited DXA access hinders osteoporosis screening. This proof-of-concept study proposes using widely available knee X-rays for opportunistic Bone Mineral Density (BMD) estimation via deep learning, emphasizing robust uncertainty quantification essential for clinical use. An EfficientNet model was trained on the OAI dataset to predict BMD from bilateral knee radiographs. Two Test-Time Augmentation (TTA) methods were compared: traditional averaging and a multi-sample approach. Crucially, Split Conformal Prediction was implemented to provide statistically rigorous, patient-specific prediction intervals with guaranteed coverage. Results showed a Pearson correlation of 0.68 (traditional TTA). While traditional TTA yielded better point predictions, the multi-sample approach produced slightly tighter confidence intervals (90%, 95%, 99%) while maintaining coverage. The framework appropriately expressed higher uncertainty for challenging cases. Although anatomical mismatch between knee X-rays and standard DXA limits immediate clinical use, this method establishes a foundation for trustworthy AI-assisted BMD screening using routine radiographs, potentially improving early osteoporosis detection.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google