Model umělé inteligence pro předpověď hustoty kostních minerálů z rentgenových snímků

Tato studie si klade za cíl vyvinout robustní model umělé inteligence (AI) pro předpovídání kostní minerální hustoty (BMD) z rentgenových snímků pomocí technik hlubokého učení se zvláštním zaměřením na zlepšení zobecnitelnosti modelu napříč různými populacemi. Účelem je poskytnout dostupný, neinvazivní screeningový nástroj pro osteoporózu, snižující závislost na dvouenergetických rentgenových absorpčních snímcích (DEXA), které jsou často nedostupné nebo nedostupné v prostředí s nízkými zdroji, jako je Bangladéš. S využitím architektury konvoluční neuronové sítě (CNN) se očekává, že tento model umělé inteligence pomůže při včasné diagnostice a léčbě osteoporózy, což v konečném důsledku zlepší klinické rozhodování a efektivitu zdravotní péče.

Tato případová-kontrolní observační studie bude provedena na Radiologickém oddělení Diagnostického a konzultačního centra Ibn Sina v Uttaře. Studie zahrnuje prospektivní i retrospektivní fáze sběru dat, což umožňuje komplexní agregaci dat. Během prospektivní fáze budou data sbírána přímo od způsobilých pacientů podstupujících rentgenové zobrazování a skenování DEXA. Pro retrospektivní fázi budou historická data extrahována z klinických databází, včetně rentgenových snímků a odpovídajících zpráv o BMD. Cílem studie je zabývat se rozdíly ve zdraví kostí napříč širokou demografickou skupinou, které odrážejí prevalenci osteoporózy mezi různými věky, pohlavími a klinickým zázemím v Bangladéši.

V Bangladéši zůstává osteoporóza nedostatečně diagnostikována kvůli omezené dostupnosti skenerů DEXA a vyškoleného personálu, zejména ve venkovských oblastech a oblastech s omezenými zdroji. Standardní diagnostická cesta často začíná symptomatickým rentgenovým zobrazením, po kterém v případě podezření na osteoporózu následuje vyšetření DEXA. Tento dvoustupňový proces je nákladný a časově náročný, oddaluje diagnózu a léčbu, což může vést k vážným komplikacím, včetně zlomenin. Předpovědi BMD řízené umělou inteligencí z rentgenových snímků mají potenciál tuto cestu zefektivnit a umožnit nákladově efektivní screening a upřednostnění pacientů, kteří mohou potřebovat další testování založené na DEXA. Model AI bude trénován pomocí komplexního souboru dat, který zahrnuje demografické a klinické kovariáty – jako je věk, pohlaví, menopauzální stav a komorbidní stavy, jako je diabetes a kardiovaskulární onemocnění – zachycující korelace, které by mohly zvýšit přesnost předpovědí. Konečným cílem je nabídnout spolehlivé, škálovatelné řešení pro screening osteoporózy, které by bylo možné integrovat do stávajících klinických pracovních postupů a zmírnit potřebu DEXA v prostředích, kde není k dispozici.

Studie se zaměřuje na různorodou populační skupinu, včetně jedinců s normální hustotou kostí, osteopenií a osteoporózou, jak je definováno měřením DEXA. Tato rozmanitost zajišťuje, že model umělé inteligence může zohledňovat široké spektrum profilů pacientů a zvyšuje jeho prediktivní robustnost. Populaci budou tvořit dospělí napříč všemi věkovými skupinami a pohlavími, včetně symptomatických i asymptomatických jedinců.

Studie se bude řídit strukturovaným protokolem pro sběr dat, jehož cílem je shromáždit komplexní informace o pacientech, kteří mohou ovlivnit zdraví kostí. Klíčové proměnné budou zahrnovat demografické podrobnosti, jako je věk, pohlaví a menopauzální stav; klinické proměnné, jako je přítomnost komorbidit, jako je diabetes a kardiovaskulární onemocnění, BMI a historie zlomenin; a zobrazovací a diagnostické výsledky, konkrétně rentgenové snímky (páteře nebo kyčle) a výsledky skenování DEXA pro základní pravdivé hodnoty BMD. V prospektivní fázi budou způsobilí pacienti podstupující rentgenové nebo DEXA skenování osloveni se žádostí o souhlas a po dohodě budou zaznamenána jejich klinická a demografická data, včetně jedinečného identifikátoru pro zajištění integrity a důvěrnosti dat. Poté budou shromážděny anonymizované rentgenové snímky a snímky DEXA, které budou tvořit primární datovou sadu pro trénink AI. Retrospektivní fáze bude zahrnovat extrakci dat ze stávajících klinických záznamů se zaměřením na rentgenové snímky páteře a kyčle a odpovídající výsledky BMD. Identifikovatelné údaje o pacientovi budou z důvodu ochrany soukromí odstraněny. Tento soubor historických dat doplní prospektivní data, poskytne širší spektrum případů a přispěje k zobecnitelnosti modelu.

Model umělé inteligence bude vyvinut pomocí architektury CNN přizpůsobené pro predikci založenou na obrázcích. Nejprve bude provedena průzkumná analýza dat, aby bylo možné porozumět rozložení klíčových demografických a klinických faktorů, které budou informovat o vyváženosti a struktuře souboru dat. Jakmile budou data vyčištěna a zpracována, bude model CNN trénován tak, aby předpovídal hodnoty BMD přímo z rentgenových snímků, přičemž skutečná měření DEXA slouží jako základní pravda. Výkon modelu bude vyhodnocen pomocí metrik kritických pro klinickou aplikaci, včetně střední absolutní chyby (MAE) a Pearsonova korelačního koeficientu (PCC) k posouzení přesnosti predikce, stejně jako oblasti pod křivkou preciznosti-vyvolání (AUPRC) a celkové přesnosti pro měření diagnostiky. robustnost. K dalšímu zajištění přesnosti bude použita technika křížové validace k-násobku, která generuje střední hodnoty a směrodatné odchylky pro každou metriku, čímž poskytuje vhled do konzistence modelu. Srovnání mezi různými architekturami CNN a metodikami školení určí optimální přístup pro predikci BMD.

Po dokončení bude model AI sloužit jako pomocný diagnostický nástroj pro hodnocení BMD z rentgenových snímků s několika předpokládanými aplikacemi. Za prvé, model bude podporovat včasnou detekci osteoporózy identifikací nízkých hodnot BMD, což lékařům umožní detekovat osteoporózu dříve v diagnostické cestě a potenciálně zlepšit výsledky pacientů. Za druhé, pomůže klinickému rozhodování tím, že umožní zdravotnickým pracovníkům upřednostnit pacienty pro další testování, zejména v prostředí s omezenými zdroji. Za třetí, analýza klinických kovariát, jako je věk, pohlaví a komorbidity s BMD, by mohla zpřesnit hodnocení rizik a podpořit tak personalizovanější strategie léčby osteoporózy. A konečně, strukturované ukládání snímků, hodnot BMD a klinických dat podpoří budoucí výzkum zdraví kostí, posílí screening osteoporózy a možnosti preventivní péče.

Tato studie nevyžaduje žádná další zařízení kromě těch, která jsou již k dispozici na odděleních klinické radiologie pro rentgenové a DEXA skenování. Stávající možnosti ukládání dat budou podporovat správu dat a zajistit soulad se standardy ochrany soukromí a zabezpečení informací o pacientech. Stručně řečeno, model AI této studie se snaží poskytnout životaschopné, škálovatelné řešení pro screening osteoporózy tím, že nabízí přesné, neinvazivní předpovědi BMD z rentgenových snímků. Tento přístup má potenciál zlepšit přístup ke zdravotní péči, zejména na venkově a v prostředí s nízkými zdroji, kde může fungovat jako screeningový nástroj, který zmírňuje závislost na nákladných skenech DEXA.