美国风湿病学会 (ACR)年会 ACR Convergence 2023 上的新研究表明，深度学习系统可以准确识别和预测类风湿性关节炎 (RA) 患者手部 X 光片中的关节间隙狭窄和糜烂。

放射线照片是检测和监测手部RA的最常用成像技术。放射科医生经常使用经过充分验证的 Sharp/van der Heidje (SvH) 方法，通过对每只手和手腕的特定位置进行分级来评估关节间隙狭窄和侵蚀。然而，SvH 评分非常耗时，并且需要的专业知识并不总是可用。这导致人们越来越多地使用深度学习(也称为机器学习)来分析 RA 中的手部 X 射线数据。

曼尼托巴大学副教授、风湿病学临床科学家、该研究的主要合著者 Carol Hitchon(医学博士、FRCPC、理学硕士)表示：“机器学习为传统 RA 检测和诊断方法提供了一种强大的补充方法.它提高了 RA X 光片评估的准确性、效率和客观性，同时提供了早期损伤检测和对该疾病有价值的见解的潜力。”

在当前的研究中，Hitchon 及其同事旨在开发和验证深度学习系统，用于自动检测 RA 患者手部 X 光片中的关节并预测 SvH 评分。

他们使用了一种基于卷积神经网络(CNN) 的算法，称为 You Only Look Once (YOLO)。CNN是一种常用于计算机视觉和识别任务的深度学习神经网络，已成功应用于医学图像分类。YOLO 是一种专为图像和视频中的实时目标检测而设计的CNN模型，以图像处理的速度和效率而闻名。Hitchon 和同事使用了最新版本的 YOLOv516，他们证明该版本在检测手部关节方面的准确率超过 90%。