Modèle d'IA pour la prévision de la densité minérale osseuse à partir d'images radiographiques

Cette étude vise à développer un modèle d'intelligence artificielle (IA) robuste pour prédire la densité minérale osseuse (DMO) à partir d'images radiographiques à l'aide de techniques d'apprentissage profond, avec un accent particulier sur l'amélioration de la généralisabilité du modèle à diverses populations. L'objectif est de fournir un outil de dépistage accessible et non invasif de l'ostéoporose, réduisant ainsi la dépendance aux examens d'absorptiométrie à rayons X à double énergie (DEXA), qui sont souvent indisponibles ou inabordables dans les contextes à faibles ressources comme le Bangladesh. Tirant parti de l'architecture du réseau neuronal convolutif (CNN), ce modèle d'IA devrait contribuer au diagnostic et à la gestion précoces de l'ostéoporose, améliorant ainsi la prise de décision clinique et l'efficacité des soins de santé.

Cette étude observationnelle cas-témoins sera menée dans le service de radiologie du centre de diagnostic et de consultation Ibn Sina, Uttara. L'étude comprend des phases de collecte de données prospectives et rétrospectives, permettant une agrégation complète des données. Au cours de la phase prospective, les données seront collectées directement auprès des patients éligibles subissant une imagerie aux rayons X et des scans DEXA. Pour la phase rétrospective, les données historiques seront extraites des bases de données cliniques, y compris les images radiographiques et les rapports de DMO correspondants. L'étude vise à aborder les variations de la santé osseuse au sein d'un large groupe démographique, reflétant la prévalence de l'ostéoporose selon différents âges, sexes et antécédents cliniques au Bangladesh.

Au Bangladesh, l'ostéoporose reste sous-diagnostiquée en raison de la disponibilité limitée de scanners DEXA et de personnel qualifié, en particulier dans les zones rurales et aux ressources limitées. Le cheminement diagnostique standard commence souvent par une imagerie radiographique symptomatique, suivie d'un examen DEXA si une ostéoporose est suspectée. Ce processus en deux étapes est coûteux et prend du temps, retardant le diagnostic et le traitement, ce qui peut entraîner de graves complications, notamment des fractures. Les prédictions de la DMO basées sur l'IA à partir d'images radiographiques ont le potentiel de rationaliser cette voie, permettant un dépistage rentable et une priorisation des patients qui pourraient avoir besoin de tests supplémentaires basés sur DEXA. Le modèle d'IA sera formé à l'aide d'un ensemble de données complet comprenant des covariables démographiques et cliniques, telles que l'âge, le sexe, l'état de ménopause et des comorbidités telles que le diabète et les maladies cardiovasculaires, capturant des corrélations susceptibles d'améliorer la précision des prévisions. À terme, l'objectif est d'offrir une solution fiable et évolutive pour le dépistage de l'ostéoporose qui pourrait être intégrée aux flux de travail cliniques existants et réduire le besoin de DEXA dans les contextes où il n'est pas disponible.

L'étude cible un groupe de population diversifié, y compris des individus présentant une densité osseuse normale, une ostéopénie et une ostéoporose telles que définies par les mesures DEXA. Cette diversité garantit que le modèle d’IA peut prendre en compte un large éventail de profils de patients et améliorer sa robustesse prédictive. La population sera composée d’adultes de tous âges et de tous sexes, y compris des individus symptomatiques et asymptomatiques.

L'étude suivra un protocole structuré de collecte de données, visant à recueillir des informations complètes sur les patients susceptibles d'influencer la santé osseuse. Les variables clés comprendront des détails démographiques tels que l'âge, le sexe et l'état ménopausique ; des variables cliniques comme la présence de comorbidités telles que le diabète et les maladies cardiovasculaires, l'IMC et les antécédents de fractures ; et les résultats d'imagerie et de diagnostic, en particulier les images radiographiques (colonne vertébrale ou hanche) et les résultats d'analyse DEXA pour les valeurs de DMO de vérité terrain. Dans la phase prospective, les patients éligibles subissant des radiographies ou des examens DEXA seront sollicités pour obtenir leur consentement et, après accord, leurs données cliniques et démographiques seront enregistrées, y compris un identifiant unique pour garantir l'intégrité et la confidentialité des données. Des images radiographiques anonymisées et DEXA seront ensuite collectées, formant ainsi l’ensemble de données principal pour la formation en IA. La phase rétrospective impliquera l'extraction de données à partir de dossiers cliniques existants, en se concentrant sur les images radiographiques de la colonne vertébrale et de la hanche et les résultats de DMO correspondants. Les informations identifiables sur les patients seront supprimées pour protéger la confidentialité. Cet ensemble de données historiques complétera les données prospectives, fournissant un spectre plus large de cas et contribuant à la généralisabilité du modèle.

Le modèle d'IA sera développé à l'aide de l'architecture CNN adaptée à la prédiction basée sur l'image. Une analyse exploratoire des données sera menée dans un premier temps pour comprendre la répartition des facteurs démographiques et cliniques clés, qui éclaireront l'équilibre et la structure de l'ensemble de données. Une fois les données nettoyées et traitées, le modèle CNN sera entraîné pour prédire les valeurs de DMO directement à partir d'images radiographiques, les mesures DEXA réelles servant de vérité terrain. Les performances du modèle seront évaluées à l'aide de mesures essentielles à l'application clinique, notamment l'erreur absolue moyenne (MAE) et le coefficient de corrélation de Pearson (PCC) pour évaluer la précision des prédictions, ainsi que l'aire sous la courbe de précision-rappel (AUPRC) et la précision globale pour mesurer le diagnostic. robustesse. Pour garantir davantage l'exactitude, une technique de validation croisée k fois sera appliquée, générant des valeurs moyennes et des écarts types pour chaque métrique, fournissant ainsi un aperçu de la cohérence du modèle. Les comparaisons entre diverses architectures CNN et méthodologies de formation permettront d'identifier l'approche optimale pour la prédiction de la DMO.

Une fois terminé, le modèle d'IA servira d'outil de diagnostic d'assistance pour l'évaluation de la DMO à partir d'images radiographiques, avec plusieurs applications prévues. Premièrement, le modèle soutiendra la détection précoce de l'ostéoporose en identifiant de faibles valeurs de DMO, permettant ainsi aux cliniciens de détecter l'ostéoporose plus tôt dans le parcours de diagnostic et d'améliorer potentiellement les résultats pour les patients. Deuxièmement, cela facilitera la prise de décision clinique en permettant aux professionnels de la santé de prioriser les patients pour des tests plus approfondis, en particulier dans les contextes aux ressources limitées. Troisièmement, l’analyse des covariables cliniques telles que l’âge, le sexe et les comorbidités liées à la DMO pourrait affiner l’évaluation des risques, soutenant ainsi des stratégies de gestion de l’ostéoporose plus personnalisées. Enfin, le stockage structuré des images, des valeurs de DMO et des données cliniques soutiendra les futures recherches sur la santé osseuse, en améliorant les capacités de dépistage et de soins préventifs de l'ostéoporose.

Cette étude ne nécessite aucune installation supplémentaire au-delà de celles déjà disponibles dans les services de radiologie clinique pour la radiographie et la numérisation DEXA. Les capacités de stockage de données existantes prendront en charge la gestion des données, garantissant le respect des normes de confidentialité et de sécurité des informations sur les patients. En résumé, le modèle d'IA de cette étude vise à fournir une solution viable et évolutive pour le dépistage de l'ostéoporose en offrant des prédictions précises et non invasives de la DMO à partir d'images radiographiques. Cette approche a le potentiel d’améliorer l’accès aux soins de santé, en particulier dans les milieux ruraux et à faibles ressources, où elle peut fonctionner comme un outil de dépistage atténuant la dépendance à l’égard des analyses DEXA coûteuses.