[论文解读] Detecting mechanical loosening of total hip replacement implant from plain radiograph using deep convolutional neural network

Alireza Borjali, Antonia F. Chen+3 more|arXiv (Cornell University)|Dec 2, 2019

Advanced X-ray and CT Imaging参考文献 17被引用 9

一句话总结

本研究提出一种深度卷积神经网络（CNN），可从普通X光片中自动检测全髋关节置换术（THR）假体的机械性松动，其敏感度（0.94 vs. 0.53）超过了一名经过认证的骨科医生，同时保持了较高的特异性（0.96）。该模型通过显著性图确保可解释性，突出显示临床上相关的解剖结构特征。

ABSTRACT

Plain radiography is widely used to detect mechanical loosening of total hip replacement (THR) implants. Currently, radiographs are assessed manually by medical professionals, which may be prone to poor inter and intra observer reliability and low accuracy. Furthermore, manual detection of mechanical loosening of THR implants requires experienced clinicians who might not always be readily available, potentially resulting in delayed diagnosis. In this study, we present a novel, fully automatic and interpretable approach to detect mechanical loosening of THR implants from plain radiographs using deep convolutional neural network (CNN). We trained a CNN on 40 patients anteroposterior hip x rays using five fold cross validation and compared its performance with a high volume board certified orthopaedic surgeon (AFC). To increase the confidence in the machine outcome, we also implemented saliency maps to visualize where the CNN looked at to make a diagnosis. CNN outperformed the orthopaedic surgeon in diagnosing mechanical loosening of THR implants achieving significantly higher sensitively (0.94) than the orthopaedic surgeon (0.53) with the same specificity (0.96). The saliency maps showed that the CNN looked at clinically relevant features to make a diagnosis. Such CNNs can be used for automatic radiologic assessment of mechanical loosening of THR implants to supplement the practitioners decision making process, increasing their diagnostic accuracy, and freeing them to engage in more patient centric care.

研究动机与目标

• 开发一种自动、可靠的方法，用于从普通X光片中检测全髋关节置换术（THR）假体的机械性松动。
• 克服人工评估的局限性，包括观察者间和观察者内差异性，以及对放射科专家的依赖。
• 提高诊断准确性，缩短THR假体评估的诊断延迟。
• 通过使用显著性图可视化模型决策区域，确保模型的可解释性。
• 提供一种决策支持工具，提升放射科医生的表现，并实现可扩展的筛查。

提出的方法

• 在40张来自确诊THR假体状态患者的前后位髋关节X光片上训练了一个深度卷积神经网络（CNN）。
• 采用五折交叉验证评估模型性能，确保鲁棒性。
• 生成显著性图以可视化CNN在诊断过程中关注的X光片区域。
• 使用标准指标（敏感度和特异性）将模型性能与一名高流量、经过认证的骨科医生进行比较。
• CNN端到端训练，用于将X光片分类为显示机械性松动或未显示机械性松动。
• 该方法通过使模型注意力与临床上相关的解剖结构对齐，强调可解释性。

实验结果

研究问题

• RQ1 深度CNN能否在从普通X光片中检测THR假体机械性松动方面，实现高于人类专家的敏感度？
• RQ2 CNN在做出诊断决策时，是否聚焦于临床上相关的解剖特征？
• RQ3 显著性图能否增强模型预测在临床环境中的信任度和可解释性？
• RQ4 CNN在小型但具代表性的THR X光片数据集上是否表现出稳健且可泛化的性能？
• RQ5 自动化系统能否缩短诊断延迟并提高THR假体评估的一致性？

主要发现

• CNN在检测机械性松动方面的敏感度达到0.94，显著高于骨科医生的0.53。
• CNN与医生的特异性均为0.96，表明真阴性率很高。
• 显著性图证实，CNN聚焦于解剖学上相关的区域，如柄-骨水泥界面及周围的透光线。
• 模型在交叉验证各折中均表现出高度的可靠性和一致性，表明性能稳健。
• 结果表明，CNN可作为可靠的决策支持工具，辅助放射科医生的阅片。
• 本研究证明了使用可解释深度学习实现骨科影像中假体并发症自动检测的可行性。