| 研究実績の概要 |
OVF研究データベースより新鮮OVFと診断された814例（平均76.5歳、女性：715例）の受傷時及び経時的に撮影されたMR画像1624スライス（T1強調画像、矢状断）を使用し、診療記録を参照しながら骨折椎体に対して新鮮（受傷3ヶ月未満）か陳旧性（3カ月以上）かを記録した。椎体の抽出にはPyramid scene parsing Networkを使用した。抽出された新鮮OVF 828椎体、陳旧性OVF 1779椎体を深層学習のために、それぞれTraining, Validation, Test dataに割り振った。Imbalance dataであったためAugmentationを行い、最終的にTraining dataは新鮮・陳旧性OVFそれぞれ5785椎体ずつとした。9種類のCNN（VGG16, VGG19, DenseNet121, DenseNet169, DenseNet201, Inception, ResNetV2, InceptionV3, ResNet50, Xception）を用いてEnsemble学習を行い、1番精度が高い組み合わせを採用した。CNN分類器の正確度、感度、特異度を求め、受信者動作特性（ROC）曲線を描き、ROC曲線下面積（AUC）を算出した。また、Test dataからランダムに100椎体抽出し2人の脊椎外科医（19年目、7年目）が評価し、その精度をCNN分類器と比較した。
VGG16, VGG19, DenseNet201, ResNet50の組み合わせが精度：0.89、感度：0.844、 特異度：0.917、AUC：0.949と一番精度が高かった。脊椎外科医による評価ではそれぞれ精度：0.87, 0.89、感度：0.881, 1、特異度：0.862, 0.655と19年目の方が7年目より優れ、CNNと同等であった。
|
