AI-model til forudsigelse af knoglemineraltæthed fra røntgenbilleder

Denne undersøgelse har til formål at udvikle en robust kunstig intelligens (AI) model til forudsigelse af knoglemineraltæthed (BMD) fra røntgenbilleder ved hjælp af dybe læringsteknikker, med et særligt fokus på at forbedre modellens generaliserbarhed på tværs af forskellige populationer. Formålet er at levere et tilgængeligt, ikke-invasivt screeningsværktøj for osteoporose, hvilket reducerer afhængigheden af ​​dobbelt-energi røntgenabsorptiometri (DEXA) scanninger, som ofte er utilgængelige eller uoverkommelige i miljøer med lav ressource, såsom Bangladesh. Ved at udnytte arkitekturen til det konvolutionelle neurale netværk (CNN) forventes denne AI-model at hjælpe med tidlig osteoporosediagnose og -håndtering, hvilket i sidste ende forbedrer den kliniske beslutningstagning og sundhedsplejeeffektiviteten.

Denne case-control observationelle undersøgelse vil blive udført i radiologiafdelingen i Ibn Sina Diagnostic and Consultation Center, Uttara. Undersøgelsen omfatter både prospektive og retrospektive dataindsamlingsfaser, hvilket giver mulighed for omfattende dataaggregering. I den prospektive fase vil data blive indsamlet direkte fra kvalificerede patienter, der gennemgår røntgenbilleder og DEXA-scanninger. Til den retrospektive fase vil historiske data blive udtrukket fra kliniske databaser, herunder røntgenbilleder og tilsvarende BMD-rapporter. Undersøgelsen har til formål at adressere variationer i knoglesundhed på tværs af en bred demografi, hvilket afspejler forekomsten af ​​osteoporose blandt forskellige aldre, køn og kliniske baggrunde i Bangladesh.

I Bangladesh er osteoporose fortsat underdiagnosticeret på grund af den begrænsede tilgængelighed af DEXA-scannere og uddannet personale, især i landdistrikter og områder med begrænsede ressourcer. Den standarddiagnostiske vej begynder ofte med symptomatisk røntgenbillede efterfulgt af en DEXA-scanning, hvis der er mistanke om osteoporose. Denne to-trins proces er dyr og tidskrævende, forsinker diagnose og behandling, hvilket kan føre til alvorlige komplikationer, herunder brud. AI-drevne forudsigelser af BMD fra røntgenbilleder har potentialet til at strømline denne vej, hvilket muliggør omkostningseffektiv screening og prioritering af patienter, som muligvis har brug for yderligere DEXA-baseret test. AI-modellen vil blive trænet ved hjælp af et omfattende datasæt, der inkluderer demografiske og kliniske kovariater - såsom alder, køn, menopausal status og komorbide tilstande som diabetes og kardiovaskulære sygdomsindfangende korrelationer, der kan forbedre forudsigelsesnøjagtigheden. I sidste ende er målet at tilbyde en pålidelig, skalerbar løsning til osteoporosescreening, der kan integreres i eksisterende kliniske arbejdsgange og afhjælpe behovet for DEXA i omgivelser, hvor det ikke er tilgængeligt.

Undersøgelsen er rettet mod en forskelligartet befolkningsgruppe, herunder personer med normal knogletæthed, osteopeni og osteoporose som defineret af DEXA-målinger. Denne mangfoldighed sikrer, at AI-modellen kan tage højde for et bredt spektrum af patientprofiler og forbedre dens forudsigelige robusthed. Befolkningen vil bestå af voksne på tværs af alle aldersgrupper og køn, herunder både symptomatiske og asymptomatiske personer.

Undersøgelsen vil følge en struktureret protokol for dataindsamling, der sigter mod at indsamle omfattende information om patienter, der kan påvirke knoglesundheden. Nøglevariabler vil omfatte demografiske detaljer såsom alder, køn og menopausal status; kliniske variabler som tilstedeværelsen af ​​følgesygdomme såsom diabetes og kardiovaskulær sygdom, BMI og historie med frakturer; og billed- og diagnostiske resultater, specifikt røntgenbilleder (rygsøjle eller hofte) og DEXA-scanningsresultater for BMD-værdier. I den prospektive fase vil kvalificerede patienter, der gennemgår røntgen- eller DEXA-scanninger, blive kontaktet for samtykke, og efter aftale vil deres kliniske og demografiske data blive registreret, herunder en unik identifikator for at sikre dataintegritet og fortrolighed. Anonymiserede røntgen- og DEXA-billeder vil derefter blive indsamlet, som danner det primære datasæt til AI-træning. Den retrospektive fase vil involvere dataudtræk fra eksisterende kliniske optegnelser med fokus på ryg- og hofterøntgenbilleder og tilsvarende BMD-resultater. Identificerbare patientoplysninger vil blive fjernet for at beskytte privatlivets fred. Dette historiske datasæt vil supplere de potentielle data, give et bredere spektrum af tilfælde og bidrage til modellens generaliserbarhed.

AI-modellen vil blive udviklet ved hjælp af CNN-arkitektur, der er skræddersyet til billedbaseret forudsigelse. Eksplorativ dataanalyse vil i første omgang blive udført for at forstå fordelingen af ​​nøgledemografiske og kliniske faktorer, som vil informere datasættets balance og struktur. Når dataene er renset og behandlet, vil CNN-modellen blive trænet til at forudsige BMD-værdier direkte fra røntgenbilleder, med faktiske DEXA-målinger, der tjener som sandhed. Modelydeevne vil blive evalueret ved hjælp af metrikker, der er kritiske for klinisk anvendelse, inklusive Mean Absolute Error (MAE) og Pearson Correlation Coefficient (PCC) for at vurdere forudsigelsesnøjagtighed, såvel som Area Under the Precision-Recall Curve (AUPRC) og overordnet nøjagtighed til at måle diagnostisk robusthed. For yderligere at sikre nøjagtigheden vil der blive anvendt en k-fold krydsvalideringsteknik, der genererer middelværdier og standardafvigelser for hver metrik, og derved giver indsigt i modellens konsistens. Sammenligninger mellem forskellige CNN-arkitekturer og træningsmetoder vil identificere den optimale tilgang til BMD-forudsigelse.

Efter færdiggørelsen vil AI-modellen fungere som et assisterende diagnostisk værktøj til BMD-vurdering fra røntgenbilleder med flere forventede anvendelser. For det første vil modellen understøtte tidlig påvisning af osteoporose ved at identificere lave BMD-værdier, hvilket gør det muligt for klinikere at opdage osteoporose tidligere i den diagnostiske vej og potentielt forbedre patientresultater. For det andet vil det hjælpe den kliniske beslutningstagning ved at give sundhedspersonale mulighed for at prioritere patienter til yderligere test, især i ressourcebegrænsede omgivelser. For det tredje kunne analysen af ​​kliniske kovariater som alder, køn og komorbiditeter med BMD forfine risikovurderingen og understøtte mere personlige osteoporosehåndteringsstrategier. Endelig vil den strukturerede lagring af billeder, BMD-værdier og kliniske data understøtte fremtidig knoglesundhedsforskning, hvilket forbedrer osteoporosescreening og forebyggende pleje.

Denne undersøgelse kræver ingen yderligere faciliteter ud over dem, der allerede er tilgængelige på de kliniske radiologiske afdelinger til røntgen- og DEXA-scanning. Eksisterende datalagringskapaciteter vil understøtte datahåndtering og sikre overholdelse af privatlivs- og sikkerhedsstandarder for patientoplysninger. Sammenfattende søger denne undersøgelses AI-model at levere en levedygtig, skalerbar løsning til osteoporosescreening ved at tilbyde nøjagtige, ikke-invasive BMD-forudsigelser fra røntgenbilleder. Denne tilgang har potentialet til at forbedre adgangen til sundhedspleje, især i landdistrikter og miljøer med lav ressource, hvor den kan fungere som et screeningsværktøj, der mindsker afhængigheden af ​​dyre DEXA-scanninger.