Anvendelse av multitask dyplæringsmodell for å gradere alvorlighetsgraden av spinalfasettledddegenerasjon

Spinal fasettleddsartrose er en sykdom med høy forekomst blant personer over 40 år. Det er en sykdom karakterisert ved en rekke degenerative patologiske forandringer og kliniske trekk ved synovium, leddbrusk, subkondralt bein, leddrom og tilbehørsvev i spinale fasettledd under påvirkning av flere faktorer. Noen fysiologiske eller patologiske faktorer kan føre til slitasjegikt i spinalfasettledd. Pasienter med spinal fasett slitasjegikt har ofte ulike grader av kliniske manifestasjoner som ryggsmerter og dyskinesi, som i betydelig grad påvirker den fysiske og mentale helsen til pasientene. Alvorlighetsgraden av ryggradsartrose har ikke bare en viss innvirkning på korsryggsmerter og endringer i muskeltetthet i korsryggen, men påvirker også pasientbehandling og behandlingsplan. For tiden har forskjellige leger en viss subjektivitet i graderingsavlesningen av lumbal fasettartrose, og konsistensen og repeterbarheten av resultatene er dårlig. Dessuten må leger lese bildebilder og vurdere graderingen er svært tidkrevende og repeterende arbeid. De siste årene har bruken av dyp læringsteknologi i medisinsk bildeanalyse vært mye bekymret av klinikere. Dyplæring har store potensielle fordeler ved medisinsk bildediagnose. Den kan gi semi-automatiske rapporter under tilsyn av radiologer, for å forbedre nøyaktigheten, konsistensen, objektiviteten og raskheten av sykdomsgradsvurderingen, og ytterligere støtte klinisk beslutningstaking på dette grunnlaget. Dette prosjektet planlegger å utvikle et intelligent diagnose- og klassifiseringssystem for degenerative sykdommer i små ledd i ryggraden med multioppgave og dybdelæring, og verifisere dets kliniske gjennomførbarhet, med sikte på å hjelpe klinikere med å forbedre nøyaktigheten, konsistensen, objektiviteten og hurtigheten til tilsvarende sykdomsgradsevaluering, og støtte videre oppfølging av kliniske beslutninger.