Model pembelajaran mendalam yang inovatif dapat meningkatkan akurasi dan kecepatan analisis sinar-X, sehingga meningkatkan cara mendiagnosis gangguan tulang belakang. Dirancang untuk mengakomodasi kasus yang kompleks, model ini siap membantu dokter mengurangi kesalahan diagnosis dan membuat rencana perawatan yang lebih efektif untuk pasien dengan gangguan tulang belakang seperti skoliosis dan kifosis.

Moritz Jokeit, seorang peneliti yang berpartisipasi dalam penelitian ini, menyoroti pentingnya anotasi otomatis dalam analisis kelompok pasien yang lebih besar. Kemajuan ini diharapkan dapat meningkatkan pemahaman tentang gangguan tulang belakang, memberikan penilaian yang lebih konsisten, dan melengkapi keahlian penilai manusia.

Penelitian yang dirinci dalam jurnal Spine Deformity ini menggunakan arsitektur U-Net yang ditingkatkan untuk segmentasi dan identifikasi struktur tulang belakang tingkat lanjut. Dilatih pada kumpulan data radiografi yang diberi anotasi, model AI menunjukkan kemampuan untuk memprediksi kesejajaran tulang belakang secara akurat, yang menunjukkan harapan untuk menangani berbagai kasus di berbagai kelompok usia dan daerah tulang belakang.

Meskipun model tersebut dapat diandalkan dalam memprediksi kelengkungan tulang belakang dan pengukuran lainnya, pengembangan lebih lanjut diperlukan untuk mengatasi tantangan seperti artefak implan medis dan masalah kualitas gambar pada pasien obesitas, kata Jokait. Tim berencana untuk menyempurnakan model tersebut dengan mengeksplorasi arsitektur lain dan memperluas set data pelatihan untuk menyertakan struktur anatomi yang lebih kompleks.