Anvendelse af Multitask Deep Learning Model til at vurdere sværhedsgraden af ​​spinal facetledsdegeneration

Slidgigt i rygmarven er en sygdom med høj forekomst blandt personer over 40 år. Det er en sygdom karakteriseret ved en række degenerative patologiske ændringer og kliniske træk ved synovium, ledbrusk, subchondral knogle, ledrum og tilbehørsvæv i spinale facetled under påvirkning af flere faktorer. Nogle fysiologiske eller patologiske faktorer kan føre til slidgigt i spinale facetled. Patienter med slidgigt i rygmarven har ofte forskellige grader af kliniske manifestationer som rygsmerter og dyskinesi, som i væsentlig grad påvirker patienternes fysiske og mentale helbred. Sværhedsgraden af ​​slidgigt i rygmarven har ikke kun en vis indvirkning på lænderygsmerter og ændringer i muskeltæthed i lænden, men påvirker også patientbehandling og behandlingsplan. På nuværende tidspunkt har forskellige læger en vis subjektivitet i bedømmelsen af ​​lumbal facetslidgigt, og konsistensen og gentageligheden af ​​resultaterne er dårlig. Desuden skal læger læse billedbilleder og vurdere, at karaktergivningen er meget tidskrævende og gentagne arbejde. I de senere år har anvendelsen af ​​deep learning-teknologi i medicinsk billedanalyse været meget bekymret af klinikere. Dyb læring har store potentielle fordele ved medicinsk billeddiagnostik. Det kan levere semi-automatiske rapporter under opsyn af radiologer for at forbedre nøjagtigheden, konsistensen, objektiviteten og hurtigheden af ​​sygdomsgradsvurderingen og yderligere understøtte klinisk beslutningstagning på dette grundlag. Dette projekt planlægger at udvikle et intelligent diagnose- og klassifikationssystem for degenerative sygdomme i små led i rygsøjlen med multiopgave og dybdegående læring og verificere dets kliniske gennemførlighed med det formål at hjælpe klinikere med at forbedre nøjagtigheden, konsistensen, objektiviteten og hurtigheden af tilsvarende sygdomsgradsevaluering og yderligere understøtte den opfølgende kliniske beslutningstagning.