Aprendizaje profundo basado en TC para diferenciar fracturas vertebrales por compresión osteoporóticas agudas y crónicas (CT-DL-OVCF)

Este estudio es un estudio observacional retrospectivo y multicéntrico diseñado para desarrollar y evaluar un sistema basado en aprendizaje profundo para diferenciar fracturas vertebrales por compresión agudas y crónicas en pacientes con osteoporosis utilizando imágenes de tomografía computarizada (TC).

Se recopilarán retrospectivamente pacientes diagnosticados con fracturas vertebrales por compresión osteoporóticas que se sometieron a exámenes de TC y resonancia magnética (RM) en el Primer Hospital Afiliado de la Universidad Médica de Chongqing y en otro centro médico adicional entre enero de 2023 y septiembre de 2025. Se recopilarán datos clínicos, incluidos edad, sexo y resultados de absorciometría de rayos X de doble energía (DXA), así como imágenes completas de TC y RM en formato DICOM. El intervalo entre los exámenes de TC y RM debe ser inferior a dos semanas. Se excluirán pacientes con fracturas patológicas causadas por infección o tumor, la presencia de materiales extraños como cemento óseo o implantes metálicos, o imágenes de mala calidad con artefactos significativos.

El flujo de trabajo del estudio incluye recopilación de datos, desarrollo del modelo, evaluación del rendimiento y análisis de interpretabilidad del modelo. Primero se evaluarán múltiples modelos de segmentación de aprendizaje profundo, incluyendo U-Net, U-Mamba y UNETR++, para el rendimiento de segmentación del cuerpo vertebral. Basándose en los resultados de segmentación óptimos, se entrenarán modelos de clasificación como VGG-16, DenseNet-121, Vision Transformer (ViT) y arquitecturas basadas en Transformer para diferenciar fracturas por compresión agudas y crónicas. Se seleccionará el modelo con mejor rendimiento para construir el sistema de clasificación final.

El rendimiento del modelo para tareas de segmentación se evaluará utilizando el coeficiente de similitud de Dice y valores de pérdida. El rendimiento de clasificación se evaluará en un conjunto de datos de validación externa utilizando el área bajo la curva de características operativas del receptor (AUC), sensibilidad, especificidad, precisión, valor predictivo positivo y valor predictivo negativo. Se generarán curvas de características operativas del receptor y matrices de confusión para visualizar el rendimiento del modelo.

Para mejorar la interpretabilidad del modelo, se aplicará el mapeo de activación de clase ponderado por gradiente (Grad-CAM) para generar mapas de calor que resalten las regiones de la imagen que más contribuyen a las predicciones del modelo. Estos mapas de calor se superpondrán en las imágenes de TC para demostrar visualmente cómo el modelo diferencia las fracturas vertebrales por compresión agudas y crónicas en pacientes con osteoporosis.

Basándose en un cálculo predefinido del tamaño de la muestra que asume una sensibilidad de 0,90, un nivel de significancia de 0,05 y un error permitido de 0,05, se espera incluir un total de 276 pacientes (138 casos agudos y 138 crónicos) en este estudio.