CT-pohjainen syväoppiminen akuuttien ja kroonisten osteoporoottisten selkärangan puristusmurtumien erottamiseksi (CT-DL-OVCF)

Tämä tutkimus on retrospektiivinen, monikeskuksinen havainnointitutkimus, jonka tavoitteena on kehittää ja arvioida syväoppimiseen perustuvaa järjestelmää akuuttien ja kroonisten osteoporoottisten selkänikamien puristusmurtumien erottamiseksi käyttäen tietokonekerroskuvauskuvia (CT).

Potilaat, joilla on diagnosoitu osteoporoottinen selkänikaman puristusmurtuma ja jotka ovat käyneet sekä CT- että magneettikuvaustutkimuksissa (MRI), kerätään retrospektiivisesti Chongqing Medical Universityn ensimmäisestä yliopistosairaalasta ja yhdestä lisäsairaalasta tammikuun 2023 ja syyskuun 2025 välisenä aikana. Kliinistä tietoa, kuten ikä, sukupuoli ja kaksoisenergia-röntgenabsorptiometria (DXA) -tulokset, sekä täydelliset DICOM-muotoiset CT- ja MRI-kuvat kerätään. CT- ja MRI-tutkimusten välinen aikaväli on oltava alle kaksi viikkoa. Potilaat, joilla on infektion tai kasvaimen aiheuttamat patologiset murtumat, vieraita aineita kuten luusementtiä tai metallilaitteita, tai huonolaatuisia kuvia, joissa on merkittäviä artefaktoja, suljetaan tutkimuksesta pois.

Tutkimuksen työnkulku sisältää tiedonkeruun, mallin kehittämisen, suorituskyvyn arvioinnin ja mallin tulkittavuusanalyysin. Useita syväoppimisen segmentointimalleja, kuten U-Net, U-Mamba ja UNETR++, arvioidaan ensin selkänikaman segmentointisuorituskyvyn perusteella. Optimaalisten segmentointitulosten perusteella luokittelumalleja, kuten VGG-16, DenseNet-121, Vision Transformer (ViT) ja Transformer-arkkitehtuureihin perustuvia malleja, koulutetaan erottamaan akuutit ja krooniset puristusmurtumat. Parhaiten suoriutuva malli valitaan lopullisen luokittelujärjestelmän rakentamiseen.

Segmentointitehtävien mallin suorituskyky arvioidaan käyttäen Dice-samankaltaisuuskerrointa ja häviöarvoja. Luokittelusuorituskyky arvioidaan ulkoisessa validointiaineistossa käyttäen vastaanottajan toimintakäyrän (ROC) alla olevaa pinta-alaa (AUC), herkkyyttä, spesifisyyttä, tarkkuutta, positiivista ennusteellista arvoa ja negatiivista ennusteellista arvoa. Vastaanottajan toimintakäyriä ja sekaannusmatriiseja luodaan visualisoimaan mallin suorituskyky.

Mallin tulkittavuuden parantamiseksi gradienttipainotettua luokka-aktivointikartoitusta (Grad-CAM) sovelletaan lämpökarttojen luomiseen, jotka korostavat kuvialueita, jotka vaikuttavat eniten mallin ennusteisiin. Nämä lämpökartat asetetaan päälle CT-kuviin visualisoidakseen visuaalisesti, kuinka malli erottaa akuutit ja krooniset osteoporoottiset selkänikamien puristusmurtumat.

Ennalta määritellyn otoskoko-laskelman perusteella, olettaen herkkyyden 0,90, merkitsevyystason 0,05 ja sallitun virheen 0,05, tähän tutkimukseen odotetaan sisällytettävän yhteensä 276 potilasta (138 akuuttia ja 138 kroonista tapausta).