CT-baseret dyb læring til differentiering af akutte og kroniske osteoporotiske kompressionsfrakturer i ryghvirvler (CT-DL-OVCF)

Denne undersøgelse er en retrospektiv, multicenter observationsstudie, der er designet til at udvikle og evaluere et dybdelæringsbaseret system til differentiering af akutte og kroniske osteoporotiske hvirvelkompressionsfrakturer ved hjælp af computertomografi (CT)-billeder.

Patienter diagnosticeret med osteoporotiske hvirvelkompressionsfrakturer, der har gennemgået både CT- og magnetisk resonansbilleddannelse (MRI)-undersøgelser, vil blive indsamlet retrospektivt fra First Affiliated Hospital of Chongqing Medical University og et yderligere medicinsk center mellem januar 2023 og september 2025. Kliniske data, inklusive alder, køn og dual-energy X-ray absorptiometry (DXA)-resultater, såvel som komplette DICOM-format CT- og MRI-billeder, vil blive indsamlet. Intervallet mellem CT- og MRI-undersøgelser skal være mindre end to uger. Patienter med patologiske frakturer forårsaget af infektion eller tumor, tilstedeværelse af fremmede materialer såsom knoglecement eller metallisk hardware, eller dårlig billedkvalitet med signifikante artefakter vil blive udelukket.

Studiets arbejdsgang inkluderer dataindsamling, modeludvikling, performanceevaluering og modeltolkbarhedsanalyse. Flere dybdelæringsegmenteringsmodeller, herunder U-Net, U-Mamba og UNETR++, vil først blive evalueret for hvirvellegemessegmenteringsperformance. Baseret på de optimale segmenteringsresultater vil klassifikationsmodeller såsom VGG-16, DenseNet-121, Vision Transformer (ViT) og Transformer-baserede arkitekturer blive trænet til at differentiere akutte og kroniske kompressionsfrakturer. Den bedst præsterende model vil blive udvalgt til at konstruere det endelige klassifikationssystem.

Modelperformance for segmenteringsopgaver vil blive vurderet ved hjælp af Dice-lighedskoefficient og tabværdier. Klassifikationsperformance vil blive evalueret i et eksternt valideringsdatasæt ved hjælp af areal under receiver operating characteristic-kurven (AUC), sensitivitet, specificitet, nøjagtighed, positiv prædiktiv værdi og negativ prædiktiv værdi. Receiver operating characteristic-kurver og forvirringsmatricer vil blive genereret for at visualisere modelperformance.

For at forbedre modeltolkbarhed vil gradient-vægtet klasseaktiveringskortlægning (Grad-CAM) blive anvendt til at generere varmekort, der fremhæver billedregioner, der bidrager mest til modelforudsigelser. Disse varmekort vil blive overlejret på CT-billeder for visuelt at demonstrere, hvordan modellen differentierer akutte og kroniske osteoporotiske hvirvelkompressionsfrakturer.

Baseret på en foruddefineret stikprøvestørrelsesberegning, der antager en sensitivitet på 0,90, et signifikansniveau på 0,05 og en tilladt fejl på 0,05, forventes i alt 276 patienter (138 akutte og 138 kroniske tilfælde) at blive inkluderet i denne undersøgelse.