CT založené hluboké učení pro diferenciaci akutních a chronických osteoporotických kompresních fraktur obratlů (CT-DL-OVCF)

Tato studie je retrospektivní, multicentrická observační studie navržená k vývoji a vyhodnocení systému založeného na hlubokém učení pro rozlišení akutních a chronických osteoporotických kompresních zlomenin obratlů pomocí snímků z výpočetní tomografie (CT).

Pacienti s diagnózou osteoporotické kompresní zlomeniny obratle, kteří podstoupili CT a magnetickou rezonanci (MRI), budou retrospektivně shromážděni z První přidružené nemocnice Lékařské univerzity v Chongqingu a jednoho dalšího zdravotnického centra mezi lednem 2023 a zářím 2025. Budou shromažďována klinická data, včetně věku, pohlaví a výsledků dvouenergiové rentgenové absorpciometrie (DXA), stejně jako kompletní CT a MRI snímky ve formátu DICOM. Interval mezi CT a MRI vyšetřeními musí být kratší než dva týdny. Pacienti s patologickými zlomeninami způsobenými infekcí nebo nádorem, přítomností cizích materiálů, jako je kostní cement nebo kovové implantáty, nebo špatnou kvalitou obrazu s výraznými artefakty budou vyloučeni.

Pracovní postup studie zahrnuje sběr dat, vývoj modelu, hodnocení výkonnosti a analýzu interpretovatelnosti modelu. Nejprve budou vyhodnoceny modely hlubokého učení pro segmentaci, včetně U-Net, U-Mamba a UNETR++, z hlediska výkonnosti segmentace těla obratle. Na základě optimálních výsledků segmentace budou trénovány klasifikační modely, jako je VGG-16, DenseNet-121, Vision Transformer (ViT) a architektury založené na transformerech, aby rozlišovaly akutní a chronické kompresní zlomeniny. Nejlépe fungující model bude vybrán k sestavení finálního klasifikačního systému.

Výkonnost modelu pro úlohy segmentace bude hodnocena pomocí Diceova koeficientu podobnosti a hodnot ztrát. Klasifikační výkonnost bude hodnocena na externím validačním souboru dat pomocí plochy pod křivkou charakteristiky přijímače (AUC), senzitivity, specificity, přesnosti, pozitivní prediktivní hodnoty a negativní prediktivní hodnoty. Křivky charakteristiky přijímače a matice záměn budou generovány pro vizualizaci výkonnosti modelu.

Pro zlepšení interpretovatelnosti modelu bude aplikována gradientově vážená mapa aktivace tříd (Grad-CAM) pro generování tepelných map zvýrazňujících oblasti obrazu, které nejvíce přispívají k predikcím modelu. Tyto tepelné mapy budou překryty na CT snímcích, aby vizuálně demonstrovaly, jak model rozlišuje akutní a chronické osteoporotické kompresní zlomeniny obratlů.

Na základě předem definovaného výpočtu velikosti vzorku, který předpokládá senzitivitu 0,90, hladinu významnosti 0,05 a přípustnou chybu 0,05, se očekává, že do této studie bude zahrnuto celkem 276 pacientů (138 akutních a 138 chronických případů).