S'abonner

Automatic deep learning-based assessment of spinopelvic coronal and sagittal alignment - 22/03/23

Doi : 10.1016/j.diii.2023.03.003 
Mohamed Zerouali a, Alexandre Parpaleix b, Mansour Benbakoura b, Caroline Rigault b, Pierre Champsaur a, c, Daphné Guenoun a, c,
a Department of Radiology, Institute for Locomotion, Sainte-Marguerite Hospital, APHM, 13009 Marseille, France 
b Milvue, 75014 Paris, France 
c Institute of Movement Sciences (ISM), CNRS, Aix Marseille University, 13005 Marseille, France 

Corresponding author:
Sous presse. Épreuves corrigées par l'auteur. Disponible en ligne depuis le Wednesday 22 March 2023
Cet article a été publié dans un numéro de la revue, cliquez ici pour y accéder

Highlights

Artificial intelligence yields excellent consistency without bias in the estimation of coronal spinopelvic alignment (ICC range: 0.95–0.97).
Artificial intelligence yields excellent consistency in sagittal spinopelvic evaluation for all outputs except for kyphosis (ICC range: 0.85–0.98).
Artificial intelligence allows classifying low Cobb angle and severe scoliosis with an accuracy ≥ 91%.
Seventy-two p. cents of the artificial intelligence outputs are classified as reliable by the radiologist, without any measurement to modify.

Le texte complet de cet article est disponible en PDF.

Abstract

Purpose

The purpose of this study was to evaluate an artificial intelligence (AI) solution for estimating coronal and sagittal spinopelvic alignment on conventional uniplanar two-dimensional whole-spine radiograph.

Material and methods

This retrospective observational study included 100 patients (35 men, 65 women) with a median age of 14 years (IQR: 13, 15.25; age range: 3–64 years) who underwent conventional uniplanar two-dimensional whole-spine radiograph in standing position between January and July 2022. Ten most commonly used spinopelvic coronal and sagittal parameters were retrospectively measured without AI by a junior radiologist and approved or adjusted by a senior musculoskeletal radiologist to reach final measurements. Final measurements were used as the ground truth to assess AI performance for each parameter. AI performances were estimated using mean absolute errors (MAE), intraclass correlation coefficient (ICCs), and accuracy for selected clinically relevant thresholds. Readers visually classified AI outputs to assess reliability at a patient-level.

Results

AI solution showed excellent consistency without bias in coronal (ICCs ≥ 0.95; MAE ≤ 2.9° or 1.97 mm) and sagittal (ICCs ≥ 0.85; MAE ≤ 4.4° or 2.7 mm) spinopelvic evaluation, except for kyphosis (ICC = 0.58; MAE = 8.7°). AI accuracy to classify low Cobb angle, severe scoliosis or frontal pelvic asymmetry was 91% (95% CI: 85–96), 99% (95% CI: 97–100) and 94% (95% CI: 89–98), respectively. Overall, AI provided reliable measurements in 72/100 patients (72%).

Conclusion

The AI solution used in this study for combined coronal and sagittal spinopelvic balance assessment provides results consistent with those of a senior musculoskeletal radiologist, and shows potential benefit for reducing workload in future routine implementation.

Le texte complet de cet article est disponible en PDF.

Keywords : Artificial intelligence, Automated analysis, Uniplanar whole-spine radiographs, Deep learning, Spine deformities

Abbreviations : AI, CA, CI, CVA, FN, FP, FPA, GT, ICC, IQR, MAE, NPV, PI, PPV, PT, SS, SD, SVA, TN, TP


Plan


© 2023  Société française de radiologie. Publié par Elsevier Masson SAS. Tous droits réservés.
Ajouter à ma bibliothèque Retirer de ma bibliothèque Imprimer
Export

    Export citations

  • Fichier

  • Contenu

Bienvenue sur EM-consulte, la référence des professionnels de santé.
L’accès au texte intégral de cet article nécessite un abonnement.

Déjà abonné à cette revue ?

Mon compte


Plateformes Elsevier Masson

Déclaration CNIL

EM-CONSULTE.COM est déclaré à la CNIL, déclaration n° 1286925.

En application de la loi nº78-17 du 6 janvier 1978 relative à l'informatique, aux fichiers et aux libertés, vous disposez des droits d'opposition (art.26 de la loi), d'accès (art.34 à 38 de la loi), et de rectification (art.36 de la loi) des données vous concernant. Ainsi, vous pouvez exiger que soient rectifiées, complétées, clarifiées, mises à jour ou effacées les informations vous concernant qui sont inexactes, incomplètes, équivoques, périmées ou dont la collecte ou l'utilisation ou la conservation est interdite.
Les informations personnelles concernant les visiteurs de notre site, y compris leur identité, sont confidentielles.
Le responsable du site s'engage sur l'honneur à respecter les conditions légales de confidentialité applicables en France et à ne pas divulguer ces informations à des tiers.


Tout le contenu de ce site: Copyright © 2024 Elsevier, ses concédants de licence et ses contributeurs. Tout les droits sont réservés, y compris ceux relatifs à l'exploration de textes et de données, a la formation en IA et aux technologies similaires. Pour tout contenu en libre accès, les conditions de licence Creative Commons s'appliquent.