CT-alapú mélytanulás a krónikus és akut osteoporotikus gerinctörések megkülönböztetésére (CT-DL-OVCF)

Ez a vizsgálat egy retrospektív, multicentrikus megfigyelési tanulmány, amelyet az akut és krónikus osteoporotikus gerinccsonttörések elkülönítésére szolgáló mélytanuláson alapuló rendszer kifejlesztésére és értékelésére terveztek számítógépes tomográfiás (CT) felvételek felhasználásával.

A retrospektív adatgyűjtés a Csungkingi Orvostudományi Egyetem Első Oktatókórházából és egy további egészségügyi központból történik 2023 januárja és 2025 szeptembere között, az osteoporotikus gerinccsonttöréssel diagnosztizált betegek körében, akik mind CT-, mind mágneses rezonancia-vizsgálaton (MRI) estek át. Összegyűjtésre kerülnek a klinikai adatok, beleértve az életkort, a nemet és a kettős energia-abszorpciometriás (DXA) eredményeket, valamint a teljes DICOM-formátumú CT- és MRI-felvételeket. A CT- és MRI-vizsgálatok közötti időintervallumnak két hétnél rövidebbnek kell lennie. Kizárásra kerülnek azok a betegek, akiknél fertőzés vagy daganat okozta patológiai törés, idegen anyagok, például csontcement vagy fém implantátumok jelenléte, vagy jelentős artefaktumokkal járó rossz képminőség áll fenn.

A tanulmány munkafolyamata magában foglalja az adatgyűjtést, a modellfejlesztést, a teljesítményértékelést és a modell értelmezhetőségi elemzését. Először több mélytanulási szegmentációs modellt, köztük az U-Net, U-Mamba és UNETR++ modelleket értékelnek ki a csigolyatest-szegmentáció teljesítménye szempontjából. Az optimális szegmentációs eredmények alapján olyan osztályozási modelleket, mint a VGG-16, DenseNet-121, Vision Transformer (ViT) és transzformátor-alapú architektúrákat képeznek ki az akut és krónikus kompressziós törések elkülönítésére. A legjobb teljesítményt nyújtó modellt választják ki a végső osztályozási rendszer felépítéséhez.

A szegmentációs feladatok modellteljesítményét a Dice-hasonlósági együttható és a veszteségértékek segítségével értékelik. Az osztályozási teljesítményt egy külső validációs adathalmazon értékelik a fogadó működési jelleggörbe alatti terület (AUC), az érzékenység, a specificitás, a pontosság, a pozitív prediktív érték és a negatív prediktív érték felhasználásával. Fogadó működési jelleggörbéket és zavarmátrixokat generálnak a modellteljesítmény vizualizálására.

A modell értelmezhetőségének javítása érdekében gradiens-súlyozott osztályaktivációs leképezést (Grad-CAM) alkalmaznak hőtérképek generálására, amelyek kiemelik azokat a képterületeket, amelyek a legnagyobb mértékben járulnak hozzá a modell előrejelzéseihez. Ezeket a hőtérképeket CT-felvételekre helyezik rá, hogy vizuálisan bemutassák, hogyan különbözteti meg a modell az akut és krónikus osteoporotikus gerinccsonttöréseket.

Egy előre meghatározott mintanagyság-számítás alapján, amely 0,90 érzékenységet, 0,05 szignifikancia-szintet és 0,05 megengedhető hibát feltételez, összesen 276 beteg (138 akut és 138 krónikus eset) bevonására számítanak ebben a tanulmányban.