Validation of a deep learning algorithm for bone age estimation among patients in the city of São Paulo, Brazil / Validação de algoritmo de aprendizado profundo para detecção da idade óssea em pacientes de São Paulo, Brasil
Radiol. bras
;
56(5): 263-268, Sept.-Oct. 2023. tab, graf
Artigo
em Inglês
|
LILACS-Express
| LILACS
| ID: biblio-1529323
ABSTRACT
Abstract Objective:
To validate a deep learning (DL) model for bone age estimation in individuals in the city of São Paulo, comparing it with the Greulich and Pyle method. Materials andMethods:
This was a cross-sectional study of hand and wrist radiographs obtained for the determination of bone age. The manual analysis was performed by an experienced radiologist. The model used was based on a convolutional neural network that placed third in the 2017 Radiological Society of North America challenge. The mean absolute error (MAE) and the root-mean-square error (RMSE) were calculated for the model versus the radiologist, with comparisons by sex, race, and age.Results:
The sample comprised 714 examinations. There was a correlation between the two methods, with a coefficient of determination of 0.94. The MAE of the predictions was 7.68 months, and the RMSE was 10.27 months. There were no statistically significant differences between sexes or among races (p > 0.05). The algorithm overestimated bone age in younger individuals (p = 0.001).Conclusion:
Our DL algorithm demonstrated potential for estimating bone age in individuals in the city of São Paulo, regardless of sex and race. However, improvements are needed, particularly in relation to its use in younger patients.RESUMO
Resumo Objetivo:
Validar em indivíduos paulistas um modelo de aprendizado profundo (deep learning - DL) para estimativa da idade óssea, comparando-o com o método de Greulich e Pyle.Materiais e Métodos:
Estudo transversal com radiografias de mão e punho para idade óssea. A análise manual foi feita por um radiologista experiente. Foi usado um modelo baseado em uma rede neural convolucional que ficou em terceiro lugar no desafio de 2017 da Radiological Society of North America. Calcularam-se o erro médio absoluto (mean absolute error - MAE) e a raiz do erro médio quadrado (root mean-square error - RMSE) do modelo contra o radiologista, com comparações entre sexo, etnia e idade.Resultados:
A amostra compreendia 714 exames. Houve correlação entre ambos os métodos com coeficiente de determinação de 0,94. O MAE das predições foi 7,68 meses e a RMSE foi 10,27 meses. Não houve diferenças estatisticamente significantes entre sexos ou raças (p > 0,05). O algoritmo superestimou a idade óssea nos mais jovens (p = 0,001).Conclusão:
O nosso algoritmo de DL demonstrou potencial para estimar a idade óssea em indivíduos paulistas, independentemente do sexo e da raça. Entretanto, há necessidade de aprimoramentos, particularmente em pacientes mais jovens.
Texto completo:
DisponíveL
Índice:
LILACS (Américas)
Tipo de estudo:
Estudo observacional
/
Estudo de prevalência
/
Estudo prognóstico
/
Fatores de risco
País/Região como assunto:
América do Sul
/
Brasil
Idioma:
Inglês
Revista:
Radiol. bras
Assunto da revista:
Diagnóstico por Imagem
/
Radiologia
Ano de publicação:
2023
Tipo de documento:
Artigo
País de afiliação:
Brasil
Instituição/País de afiliação:
Escola Paulista de Medicina da Universidade Federal de São Paulo/BR
Similares
MEDLINE
...
LILACS
LIS