Tillämpning av multitask djupinlärningsmodell för att bedöma svårighetsgraden av ryggradsfasettledsdegeneration

Spinal facettledsartros är en sjukdom med hög förekomst bland personer över 40 år. Det är en sjukdom som kännetecknas av en serie degenerativa patologiska förändringar och kliniska kännetecken av synovium, ledbrosk, subkondralt ben, ledutrymme och accessoriska vävnader i ryggradsfasettleder under inverkan av flera faktorer. Vissa fysiologiska eller patologiska faktorer kan leda till artros i ryggradsleden. Patienter med ryggradsartros har ofta olika grader av kliniska manifestationer som ryggsmärtor och dyskinesi, vilket avsevärt påverkar patienters fysiska och psykiska hälsa. Svårighetsgraden av ryggradsartros har inte bara en viss inverkan på ländryggssmärta och förändringar i ländryggens muskeltäthet, utan påverkar också patienthantering och behandlingsplan. För närvarande har olika läkare en viss subjektivitet i betygsavläsningen av artros i ländryggen, och konsekvensen och repeterbarheten av resultaten är dålig. Dessutom måste läkare läsa bildbilder och bedöma att betygsättningen är mycket tidskrävande och repetitivt arbete. Under de senaste åren har tillämpningen av djupinlärningsteknik i medicinsk bildanalys varit mycket oroad av läkare. Deep learning har stora potentiella fördelar vid medicinsk bilddiagnostik. Den kan tillhandahålla halvautomatiska rapporter under överinseende av radiologer, för att förbättra noggrannheten, konsekvensen, objektiviteten och snabbheten i bedömningen av sjukdomsgraden, och ytterligare stödja det kliniska beslutsfattandet på denna grund. Detta projekt planerar att utveckla ett intelligent diagnos- och klassificeringssystem för degenerativa sjukdomar i små leder i ryggraden med flera uppgifter och djupgående inlärning, och verifiera dess kliniska genomförbarhet, i syfte att hjälpa läkare att förbättra noggrannheten, konsekvensen, objektiviteten och snabbheten hos motsvarande sjukdomsgradsutvärdering, och ytterligare stödja det uppföljande kliniska beslutsfattandet.