Apprendimento Profondo Basato su TC per la Differenziazione delle Fratture da Compressione Vertebrali Osteoporotiche Acute e Croniche (CT-DL-OVCF)

Questo studio è uno studio osservazionale retrospettivo multicentrico progettato per sviluppare e valutare un sistema basato sul deep learning per differenziare le fratture vertebrali da compressione osteoporotiche acute e croniche utilizzando immagini di tomografia computerizzata (TC).

I pazienti con diagnosi di fratture vertebrali da compressione osteoporotiche che hanno effettuato sia esami TC che risonanza magnetica (RM) saranno raccolti retrospettivamente dal First Affiliated Hospital of Chongqing Medical University e da un altro centro medico tra gennaio 2023 e settembre 2025. I dati clinici, inclusi età, sesso e risultati dell'assorbimetria a raggi X a doppia energia (DXA), nonché le immagini TC e RM complete in formato DICOM, saranno raccolti. L'intervallo tra gli esami TC e RM deve essere inferiore a due settimane. Saranno esclusi i pazienti con fratture patologiche causate da infezione o tumore, la presenza di materiali estranei come cemento osseo o dispositivi metallici, o scarsa qualità dell'immagine con artefatti significativi.

Il flusso di lavoro dello studio include raccolta dati, sviluppo del modello, valutazione delle prestazioni e analisi dell'interpretabilità del modello. Inizialmente saranno valutati modelli di segmentazione deep learning multipli, tra cui U-Net, U-Mamba e UNETR++, per le prestazioni di segmentazione del corpo vertebrale. Sulla base dei risultati di segmentazione ottimali, modelli di classificazione come VGG-16, DenseNet-121, Vision Transformer (ViT) e architetture basate su Transformer saranno addestrati per differenziare le fratture da compressione acute e croniche. Il modello con le migliori prestazioni sarà selezionato per costruire il sistema di classificazione finale.

Le prestazioni del modello per le attività di segmentazione saranno valutate utilizzando il coefficiente di similarità di Dice e i valori di perdita. Le prestazioni di classificazione saranno valutate in un set di dati di validazione esterno utilizzando l'area sotto la curva ROC (AUC), sensibilità, specificità, accuratezza, valore predittivo positivo e valore predittivo negativo. Saranno generate curve ROC e matrici di confusione per visualizzare le prestazioni del modello.

Per migliorare l'interpretabilità del modello, sarà applicato il gradient-weighted class activation mapping (Grad-CAM) per generare mappe di calore che evidenziano le regioni dell'immagine che contribuiscono maggiormente alle previsioni del modello. Queste mappe di calore saranno sovrapposte alle immagini TC per dimostrare visivamente come il modello differenzia le fratture vertebrali da compressione osteoporotiche acute e croniche.

Sulla base di un calcolo predefinito della dimensione campionaria che assume una sensibilità di 0,90, un livello di significatività di 0,05 e un errore ammissibile di 0,05, si prevede che un totale di 276 pazienti (138 casi acuti e 138 cronici) saranno inclusi in questo studio.