CT-basiertes Deep Learning zur Unterscheidung akuter und chronischer osteoporotischer Wirbelkörperkompressionsfrakturen (CT-DL-OVCF)

Diese Studie ist eine retrospektive, multizentrische Beobachtungsstudie, die darauf abzielt, ein Deep-Learning-basiertes System zur Unterscheidung von akuten und chronischen osteoporotischen Wirbelkörperkompressionsfrakturen mittels Computertomographie (CT)-Aufnahmen zu entwickeln und zu evaluieren.

Patienten mit diagnostizierten osteoporotischen Wirbelkörperkompressionsfrakturen, die sowohl CT- als auch Magnetresonanztomographie (MRT)-Untersuchungen erhielten, werden retrospektiv vom Ersten Affiliierten Krankenhaus der Chongqing Medical University und einem weiteren medizinischen Zentrum zwischen Januar 2023 und September 2025 erfasst. Klinische Daten, einschließlich Alter, Geschlecht und Dual-Energy-Röntgenabsorptiometrie (DXA)-Ergebnisse, sowie vollständige DICOM-formatierte CT- und MRT-Bilder werden gesammelt. Das Intervall zwischen CT- und MRT-Untersuchungen muss weniger als zwei Wochen betragen. Patienten mit pathologischen Frakturen aufgrund von Infektionen oder Tumoren, dem Vorhandensein von Fremdmaterialien wie Knochenzement oder metallischen Implantaten oder schlechter Bildqualität mit erheblichen Artefakten werden ausgeschlossen.

Der Studienablauf umfasst Datenerfassung, Modellentwicklung, Leistungsbewertung und Interpretierbarkeitsanalyse des Modells. Mehrere Deep-Learning-Segmentierungsmodelle, einschließlich U-Net, U-Mamba und UNETR++, werden zunächst auf ihre Leistung bei der Wirbelkörper-Segmentierung evaluiert. Basierend auf den optimalen Segmentierungsergebnissen werden Klassifikationsmodelle wie VGG-16, DenseNet-121, Vision Transformer (ViT) und Transformer-basierte Architekturen trainiert, um akute und chronische Kompressionsfrakturen zu unterscheiden. Das leistungsstärkste Modell wird ausgewählt, um das endgültige Klassifikationssystem zu konstruieren.

Die Modellleistung für Segmentierungsaufgaben wird mittels Dice-Ähnlichkeitskoeffizient und Verlustwerten bewertet. Die Klassifikationsleistung wird in einem externen Validierungsdatensatz anhand der Fläche unter der Receiver-Operating-Characteristic-Kurve (AUC), Sensitivität, Spezifität, Genauigkeit, positivem prädiktiven Wert und negativem prädiktiven Wert evaluiert. Receiver-Operating-Characteristic-Kurven und Konfusionsmatrizen werden erstellt, um die Modellleistung visuell darzustellen.

Um die Interpretierbarkeit des Modells zu verbessern, wird Gradient-Weighted Class Activation Mapping (Grad-CAM) angewendet, um Heatmaps zu generieren, die Bildbereiche hervorheben, die am stärksten zu den Modellvorhersagen beitragen. Diese Heatmaps werden auf CT-Bildern überlagert, um visuell zu demonstrieren, wie das Modell akute und chronische osteoporotische Wirbelkörperkompressionsfrakturen unterscheidet.

Basierend auf einer vordefinierten Stichprobenberechnung unter Annahme einer Sensitivität von 0,90, einem Signifikanzniveau von 0,05 und einem zulässigen Fehler von 0,05 werden voraussichtlich insgesamt 276 Patienten (138 akute und 138 chronische Fälle) in diese Studie eingeschlossen.