Tekoälymalli luun mineraalitiheyden ennustamiseen röntgenkuvista

Tämän tutkimuksen tavoitteena on kehittää vankka tekoäly (AI) -malli luun mineraalitiheyden (BMD) ennustamiseen röntgenkuvista syväoppimistekniikoita käyttäen, keskittyen erityisesti mallin yleistettävyyden parantamiseen eri väestöryhmien välillä. Tarkoituksena on tarjota helppokäyttöinen, ei-invasiivinen osteoporoosin seulontatyökalu, joka vähentää riippuvuutta kaksoisenergia-röntgenabsorptiometria (DEXA) -skannauksista, joita ei usein ole saatavilla tai niihin ei ole varaa vähän resursseja vaativissa olosuhteissa, kuten Bangladeshissa. Konvoluutiohermoverkon (CNN) arkkitehtuuria hyödyntäen tämän tekoälymallin odotetaan auttavan osteoporoosin varhaisessa diagnosoinnissa ja hoidossa, mikä viime kädessä parantaa kliinistä päätöksentekoa ja terveydenhuollon tehokkuutta.

Tämä tapauskontrollihavaintotutkimus suoritetaan Ibn Sinan diagnostiikka- ja konsultointikeskuksen radiologian osastolla, Uttarassa. Tutkimus käsittää sekä prospektiiviset että retrospektiiviset tiedonkeruuvaiheet, mikä mahdollistaa kattavan tiedon aggregoinnin. Prospektiivisen vaiheen aikana tiedot kerätään suoraan kelvollisilta potilailta, joille tehdään röntgenkuvaus ja DEXA-skannaukset. Retrospektiivista vaihetta varten historialliset tiedot poimitaan kliinisistä tietokannoista, mukaan lukien röntgenkuvat ja vastaavat BMD-raportit. Tutkimuksen tavoitteena on käsitellä luun terveyden vaihteluja laajalla väestöryhmällä, mikä heijastaa osteoporoosin esiintyvyyttä eri ikä-, sukupuoli- ja kliinisistä taustoista Bangladeshissa.

Bangladeshissa osteoporoosi on edelleen alidiagnosoitu DEXA-skannerien ja koulutetun henkilöstön rajallisen saatavuuden vuoksi, erityisesti maaseudulla ja resurssirajoitteisilla alueilla. Tavallinen diagnostinen reitti alkaa usein oireellisella röntgenkuvauksella, jota seuraa DEXA-skannaus, jos epäillään osteoporoosia. Tämä kaksivaiheinen prosessi on kallis ja aikaa vievä, ja se viivästyttää diagnoosia ja hoitoa, mikä voi johtaa vakaviin komplikaatioihin, kuten murtumiin. Tekoälypohjaiset ennusteet BMD:stä röntgenkuvista voivat virtaviivaistaa tätä reittiä, mikä mahdollistaa kustannustehokkaan seulonnan ja sellaisten potilaiden priorisoinnin, jotka saattavat tarvita lisää DEXA-pohjaisia ​​testejä. Tekoälymallia opetetaan käyttämällä kattavaa tietojoukkoa, joka sisältää demografisia ja kliinisiä yhteismuuttujia, kuten iän, sukupuolen, vaihdevuosien tilan ja samanaikaiset sairaudet, kuten diabetes ja sydän- ja verisuonitautien korrelaatiot, jotka voivat parantaa ennusteen tarkkuutta. Viime kädessä tavoitteena on tarjota luotettava, skaalautuva ratkaisu osteoporoosin seulomiseen, joka voidaan integroida olemassa oleviin kliinisiin työnkulkuihin ja vähentää DEXA:n tarvetta olosuhteissa, joissa se ei ole saatavilla.

Tutkimus on suunnattu monimuotoiseen väestöryhmään, mukaan lukien yksilöt, joilla on normaali luutiheys, osteopenia ja osteoporoosi DEXA-mittausten mukaan. Tämä monimuotoisuus varmistaa, että tekoälymalli voi ottaa huomioon laajan kirjon potilasprofiileja ja parantaa sen ennakoivaa kestävyyttä. Väestö koostuu aikuisista kaikista ikäryhmistä ja sukupuolista, mukaan lukien sekä oireettomat että oireettomat yksilöt.

Tutkimuksessa noudatetaan jäsenneltyä tiedonkeruuprotokollaa, jonka tavoitteena on kerätä kattavaa tietoa potilaista, jotka voivat vaikuttaa luuston terveyteen. Keskeisiä muuttujia ovat demografiset tiedot, kuten ikä, sukupuoli ja vaihdevuodet; kliiniset muuttujat, kuten samanaikaisten sairauksien, kuten diabeteksen ja sydän- ja verisuonitautien, BMI ja murtumien esiintyminen; sekä kuvantamis- ja diagnostiset tulokset, erityisesti röntgenkuvat (selkärangan tai lonkan) ja DEXA-skannaustulokset BMD-arvojen pohjalta. Prospektiivivaiheessa röntgen- tai DEXA-skannauksen saaneilta kelvollisilta potilailta pyydetään suostumus, ja sopimuksen mukaan heidän kliiniset ja demografiset tiedot tallennetaan, mukaan lukien yksilöllinen tunniste tietojen eheyden ja luottamuksellisuuden varmistamiseksi. Sitten kerätään anonymisoidut röntgen- ja DEXA-kuvat, jotka muodostavat ensisijaisen tietojoukon tekoälykoulutukselle. Retrospektiivinen vaihe sisältää tietojen poimimisen olemassa olevista kliinisistä tietueista keskittyen selkärangan ja lonkan röntgenkuviin ja vastaaviin BMD-tuloksiin. Potilaan tunnistetiedot poistetaan yksityisyyden suojaamiseksi. Tämä historiallinen tietojoukko täydentää tulevia tietoja tarjoamalla laajemman kirjon tapauksia ja osaltaan mallin yleistettävyyttä.

Tekoälymalli kehitetään käyttämällä CNN-arkkitehtuuria, joka on räätälöity kuvapohjaiseen ennustamiseen. Tutkiva data-analyysi suoritetaan aluksi, jotta voidaan ymmärtää keskeisten demografisten ja kliinisten tekijöiden jakautuminen, mikä kertoo aineiston tasapainosta ja rakenteesta. Kun tiedot on puhdistettu ja käsitelty, CNN-mallia opetetaan ennustamaan BMD-arvot suoraan röntgenkuvista, ja todelliset DEXA-mittaukset toimivat perustotuuksina. Mallin suorituskykyä arvioidaan kliinisen käytön kannalta kriittisten mittareiden avulla, mukaan lukien keskimääräinen absoluuttinen virhe (MAE) ja Pearson-korrelaatiokerroin (PCC) ennustetarkkuuden arvioimiseksi, sekä tarkkuus-palautuskäyrän alla oleva pinta-ala (AUPRC) ja yleinen tarkkuus diagnostisen mittauksen mittaamiseen. kestävyys. Tarkkuuden lisäämiseksi käytetään k-kertaista ristiinvalidointitekniikkaa, joka tuottaa kullekin mittarille keskiarvot ja keskihajonnan, mikä antaa käsityksen mallin johdonmukaisuudesta. Vertailut eri CNN-arkkitehtuurien ja koulutusmenetelmien välillä tunnistavat optimaalisen lähestymistavan BMD:n ennustamiseen.

Valmistuttuaan tekoälymalli toimii avustavana diagnostisena työkaluna BMD-arvioinnissa röntgenkuvista, ja siihen on useita odotettavissa olevia sovelluksia. Ensinnäkin malli tukee osteoporoosin varhaista havaitsemista tunnistamalla alhaiset BMD-arvot, jolloin kliinikot voivat havaita osteoporoosin aikaisemmin diagnoosipolulla ja mahdollisesti parantaa potilaiden tuloksia. Toiseksi se auttaa kliinistä päätöksentekoa antamalla terveydenhuollon ammattilaisille mahdollisuuden priorisoida potilaat lisätestausta varten, erityisesti resurssirajoitteisissa olosuhteissa. Kolmanneksi kliinisten yhteismuuttujien, kuten iän, sukupuolen ja BMD-sairaudet, analyysi voisi tarkentaa riskinarviointia ja tukea yksilöllisempiä osteoporoosin hallintastrategioita. Lopuksi kuvien, BMD-arvojen ja kliinisen tiedon strukturoitu tallennus tukee tulevaa luuston terveystutkimusta, mikä parantaa osteoporoosin seulonta- ja ennaltaehkäisevän hoidon valmiuksia.

Tämä tutkimus ei vaadi lisälaitteita niiden lisäksi, jotka ovat jo saatavilla kliinisen radiologian osastoilla röntgen- ja DEXA-skannausta varten. Nykyiset tiedontallennusominaisuudet tukevat tietojen hallintaa ja varmistavat potilastietojen tietosuoja- ja turvallisuusstandardien noudattamisen. Yhteenvetona voidaan todeta, että tämän tutkimuksen tekoälymalli pyrkii tarjoamaan elinkelpoisen, skaalautuvan ratkaisun osteoporoosin seulomiseen tarjoamalla tarkkoja, ei-invasiivisia BMD-ennusteita röntgenkuvista. Tämä lähestymistapa voi parantaa terveydenhuollon saatavuutta erityisesti maaseudulla ja vähän resursseja vaativissa ympäristöissä, joissa se voi toimia seulontatyökaluna, joka vähentää riippuvuutta kalliista DEXA-skannauksista.