AI-model voor voorspelling van de botmineraaldichtheid op basis van röntgenfoto's

Deze studie heeft tot doel een robuust artificieel intelligentiemodel (AI) te ontwikkelen voor het voorspellen van de botmineraaldichtheid (BMD) op basis van röntgenbeelden met behulp van deep learning-technieken, met een bijzondere focus op het verbeteren van de generaliseerbaarheid van het model over diverse populaties. Het doel is om een ​​toegankelijk, niet-invasief screeningsinstrument voor osteoporose te bieden, waardoor de afhankelijkheid van dual-energy röntgenabsorptiometrie (DEXA)-scans wordt verminderd, die vaak niet beschikbaar of onbetaalbaar zijn in omgevingen met weinig middelen, zoals Bangladesh. Door gebruik te maken van de convolutionele neurale netwerkarchitectuur (CNN) wordt verwacht dat dit AI-model zal helpen bij de vroege diagnose en behandeling van osteoporose, waardoor uiteindelijk de klinische besluitvorming en de efficiëntie van de gezondheidszorg zullen verbeteren.

Deze case-control observationele studie zal worden uitgevoerd op de afdeling Radiologie van het Ibn Sina Diagnostic and Consultation Center, Uttara. Het onderzoek omvat zowel prospectieve als retrospectieve fasen van gegevensverzameling, waardoor uitgebreide gegevensaggregatie mogelijk is. Tijdens de prospectieve fase zullen gegevens rechtstreeks worden verzameld van in aanmerking komende patiënten die röntgenbeelden en DEXA-scans ondergaan. Voor de retrospectieve fase zullen historische gegevens uit klinische databases worden gehaald, waaronder röntgenfoto's en bijbehorende BMD-rapporten. Het onderzoek heeft tot doel de variaties in de botgezondheid binnen een brede demografische groep aan te pakken, waarbij de prevalentie van osteoporose onder verschillende leeftijden, geslachten en klinische achtergronden in Bangladesh wordt weerspiegeld.

In Bangladesh blijft osteoporose ondergediagnosticeerd vanwege de beperkte beschikbaarheid van DEXA-scanners en opgeleid personeel, vooral in landelijke gebieden en gebieden met beperkte middelen. Het standaard diagnostische traject begint vaak met symptomatische röntgenfoto's, gevolgd door een DEXA-scan als osteoporose wordt vermoed. Dit tweestapsproces is kostbaar en tijdrovend, waardoor de diagnose en behandeling worden vertraagd, wat kan leiden tot ernstige complicaties, waaronder fracturen. AI-gestuurde voorspellingen van BMD op basis van röntgenbeelden hebben het potentieel om dit traject te stroomlijnen, waardoor kosteneffectieve screening en prioritering van patiënten mogelijk wordt gemaakt die mogelijk verdere op DEXA gebaseerde tests nodig hebben. Het AI-model zal worden getraind met behulp van een uitgebreide dataset die demografische en klinische covariabelen omvat, zoals leeftijd, geslacht, menopauzestatus en comorbide aandoeningen zoals diabetes en hart- en vaatziekten, waardoor correlaties worden vastgelegd die de nauwkeurigheid van de voorspellingen kunnen verbeteren. Uiteindelijk is het doel om een ​​betrouwbare, schaalbare oplossing voor osteoporosescreening aan te bieden die kan worden geïntegreerd in bestaande klinische workflows en de behoefte aan DEXA kan verlichten in omgevingen waar deze niet beschikbaar is.

De studie richt zich op een diverse bevolkingsgroep, waaronder personen met een normale botdichtheid, osteopenie en osteoporose zoals gedefinieerd door DEXA-metingen. Deze diversiteit zorgt ervoor dat het AI-model rekening kan houden met een breed spectrum aan patiëntprofielen en de voorspellende robuustheid ervan kan vergroten. De bevolking zal bestaan ​​uit volwassenen in alle leeftijdsgroepen en geslachten, inclusief zowel symptomatische als asymptomatische individuen.

De studie zal een gestructureerd protocol voor gegevensverzameling volgen, met als doel uitgebreide informatie te verzamelen over patiënten die de botgezondheid kunnen beïnvloeden. Belangrijke variabelen zijn onder meer demografische details zoals leeftijd, geslacht en menopauzestatus; klinische variabelen zoals de aanwezigheid van comorbiditeiten zoals diabetes en hart- en vaatziekten, BMI en een voorgeschiedenis van fracturen; en beeldvormings- en diagnostische resultaten, met name röntgenfoto's (ruggengraat of heup) en DEXA-scanresultaten voor BMD-waarden op de grond. In de prospectieve fase zullen in aanmerking komende patiënten die röntgen- of DEXA-scans ondergaan, worden benaderd voor toestemming, en na overeenstemming zullen hun klinische en demografische gegevens worden vastgelegd, inclusief een unieke identificatie om de gegevensintegriteit en vertrouwelijkheid te garanderen. Vervolgens worden geanonimiseerde röntgen- en DEXA-beelden verzameld, die de primaire dataset vormen voor AI-training. De retrospectieve fase omvat gegevensextractie uit bestaande klinische dossiers, waarbij de nadruk ligt op röntgenfoto's van de wervelkolom en de heup en de bijbehorende BMD-resultaten. Identificeerbare patiëntgegevens worden verwijderd om de privacy te beschermen. Deze historische dataset zal de prospectieve gegevens aanvullen, een breder spectrum aan gevallen bieden en bijdragen aan de generaliseerbaarheid van het model.

Het AI-model zal worden ontwikkeld met behulp van CNN-architectuur die is afgestemd op op afbeeldingen gebaseerde voorspellingen. In eerste instantie zal verkennende data-analyse worden uitgevoerd om inzicht te krijgen in de verdeling van belangrijke demografische en klinische factoren, die de balans en structuur van de dataset zullen bepalen. Zodra de gegevens zijn opgeschoond en verwerkt, zal het CNN-model worden getraind om BMD-waarden rechtstreeks op basis van röntgenbeelden te voorspellen, waarbij feitelijke DEXA-metingen als grondwaarheid dienen. De prestaties van het model zullen worden geëvalueerd met behulp van meetgegevens die cruciaal zijn voor klinische toepassingen, waaronder Mean Absolute Error (MAE) en Pearson Correlation Coefficient (PCC) om de nauwkeurigheid van de voorspelling te beoordelen, evenals de Area Under the Precision-Recall Curve (AUPRC) en de algehele nauwkeurigheid om diagnostische metingen te meten. robuustheid. Om de nauwkeurigheid verder te garanderen, zal een k-voudige kruisvalidatietechniek worden toegepast, waarbij gemiddelde waarden en standaarddeviaties voor elke metriek worden gegenereerd, waardoor inzicht wordt verkregen in de consistentie van het model. Vergelijkingen tussen verschillende CNN-architecturen en trainingsmethodologieën zullen de optimale aanpak voor BMD-voorspelling identificeren.

Na voltooiing zal het AI-model dienen als ondersteunend diagnostisch hulpmiddel voor de BMD-beoordeling op basis van röntgenbeelden, met verschillende verwachte toepassingen. Ten eerste zal het model de vroege detectie van osteoporose ondersteunen door lage BMD-waarden te identificeren, waardoor artsen osteoporose eerder in het diagnostische traject kunnen detecteren en mogelijk de patiëntresultaten kunnen verbeteren. Ten tweede zal het de klinische besluitvorming ondersteunen doordat beroepsbeoefenaren in de gezondheidszorg voorrang kunnen geven aan patiënten voor verdere tests, vooral in omgevingen met beperkte middelen. Ten derde zou de analyse van klinische covariabelen zoals leeftijd, geslacht en comorbiditeit met BMD de risicobeoordeling kunnen verfijnen, waardoor meer gepersonaliseerde strategieën voor osteoporosebeheer kunnen worden ondersteund. Ten slotte zal de gestructureerde opslag van beelden, BMD-waarden en klinische gegevens toekomstig onderzoek naar de botgezondheid ondersteunen, waardoor de screening op osteoporose en de mogelijkheden voor preventieve zorg worden verbeterd.

Voor dit onderzoek zijn geen extra faciliteiten nodig naast de faciliteiten die al beschikbaar zijn binnen de afdelingen klinische radiologie voor röntgen- en DEXA-scanning. De bestaande mogelijkheden voor gegevensopslag zullen het gegevensbeheer ondersteunen en zorgen voor naleving van de privacy- en beveiligingsnormen voor patiëntinformatie. Samenvattend probeert het AI-model van deze studie een haalbare, schaalbare oplossing te bieden voor de screening op osteoporose door nauwkeurige, niet-invasieve BMD-voorspellingen te bieden op basis van röntgenfoto's. Deze aanpak heeft het potentieel om de toegang tot gezondheidszorg te verbeteren, vooral op het platteland en in omgevingen met weinig middelen, waar het kan functioneren als een screeningsinstrument dat de afhankelijkheid van dure DEXA-scans vermindert.