Apprentissage profond basé sur la tomodensitométrie pour différencier les fractures vertébrales par compression ostéoporotiques aiguës et chroniques (CT-DL-OVCF)

Cette étude est une étude observationnelle rétrospective et multicentrique conçue pour développer et évaluer un système basé sur l'apprentissage profond pour différencier les fractures vertébrales par compression ostéoporotiques aiguës et chroniques en utilisant des images de tomodensitométrie (CT).

Les patients diagnostiqués avec des fractures vertébrales par compression ostéoporotiques ayant subi à la fois des examens CT et d'imagerie par résonance magnétique (IRM) seront rétrospectivement recueillis du Premier Hôpital Affilié de l'Université Médicale de Chongqing et d'un centre médical supplémentaire entre janvier 2023 et septembre 2025. Les données cliniques, y compris l'âge, le sexe et les résultats de l'absorptiométrie biphotonique à rayons X (DXA), ainsi que les images CT et IRM complètes au format DICOM, seront collectées. L'intervalle entre les examens CT et IRM doit être inférieur à deux semaines. Les patients présentant des fractures pathologiques causées par une infection ou une tumeur, la présence de matériaux étrangers tels que du ciment osseux ou du matériel métallique, ou une qualité d'image médiocre avec des artefacts significatifs seront exclus.

Le déroulement de l'étude comprend la collecte de données, le développement du modèle, l'évaluation des performances et l'analyse de l'interprétabilité du modèle. Plusieurs modèles de segmentation par apprentissage profond, incluant U-Net, U-Mamba et UNETR++, seront d'abord évalués pour leurs performances de segmentation des corps vertébraux. Sur la base des résultats de segmentation optimaux, des modèles de classification tels que VGG-16, DenseNet-121, Vision Transformer (ViT) et des architectures basées sur Transformer seront entraînés pour différencier les fractures par compression aiguës et chroniques. Le modèle présentant les meilleures performances sera sélectionné pour construire le système de classification final.

Les performances du modèle pour les tâches de segmentation seront évaluées en utilisant le coefficient de similarité de Dice et les valeurs de perte. Les performances de classification seront évaluées dans un jeu de données de validation externe en utilisant l'aire sous la courbe ROC (AUC), la sensibilité, la spécificité, l'exactitude, la valeur prédictive positive et la valeur prédictive négative. Des courbes ROC et des matrices de confusion seront générées pour visualiser les performances du modèle.

Pour améliorer l'interprétabilité du modèle, la cartographie d'activation de classe pondérée par gradient (Grad-CAM) sera appliquée pour générer des cartes thermiques mettant en évidence les régions d'image qui contribuent le plus aux prédictions du modèle. Ces cartes thermiques seront superposées sur les images CT pour démontrer visuellement comment le modèle différencie les fractures vertébrales par compression ostéoporotiques aiguës et chroniques.

Sur la base d'un calcul de taille d'échantillon prédéfini supposant une sensibilité de 0,90, un niveau de significativité de 0,05 et une erreur admissible de 0,05, un total de 276 patients (138 cas aigus et 138 cas chroniques) est attendu pour être inclus dans cette étude.