AI-modell for benmineraltetthetsprediksjon fra røntgenbilder

Denne studien tar sikte på å utvikle en robust kunstig intelligens (AI) modell for å forutsi Bone Mineral Density (BMD) fra røntgenbilder ved bruk av dyp læringsteknikker, med et spesielt fokus på å forbedre modellens generaliserbarhet på tvers av forskjellige populasjoner. Hensikten er å tilby et tilgjengelig, ikke-invasivt screeningverktøy for osteoporose, som reduserer avhengigheten av dual-energy røntgenabsorptiometri (DEXA) skanninger, som ofte er utilgjengelige eller uoverkommelige i miljøer med lite ressurser som Bangladesh. Ved å utnytte den konvolusjonelle nevrale nettverksarkitekturen (CNN) forventes denne AI-modellen å hjelpe til med tidlig osteoporosediagnose og behandling, og til slutt forbedre klinisk beslutningstaking og helsevesenets effektivitet.

Denne case-control observasjonsstudien vil bli utført i radiologiavdelingen ved Ibn Sina Diagnostic and Consultation Center, Uttara. Studien omfatter både prospektive og retrospektive datainnsamlingsfaser, noe som gir mulighet for omfattende dataaggregering. I den prospektive fasen vil data samles inn direkte fra kvalifiserte pasienter som gjennomgår røntgenbilder og DEXA-skanninger. For den retrospektive fasen vil historiske data trekkes ut fra kliniske databaser, inkludert røntgenbilder og tilsvarende BMD-rapporter. Studien tar sikte på å adressere variasjoner i beinhelse over en bred demografi, som gjenspeiler forekomsten av osteoporose blant ulike aldre, kjønn og klinisk bakgrunn i Bangladesh.

I Bangladesh er osteoporose fortsatt underdiagnostisert på grunn av den begrensede tilgjengeligheten av DEXA-skannere og trent personell, spesielt i landlige og ressursbegrensede områder. Standard diagnostisk vei begynner ofte med symptomatisk røntgenbilde, etterfulgt av en DEXA-skanning hvis det er mistanke om osteoporose. Denne to-trinns prosessen er kostbar og tidkrevende, forsinker diagnose og behandling, noe som kan føre til alvorlige komplikasjoner, inkludert brudd. AI-drevne prediksjoner av BMD fra røntgenbilder har potensial til å strømlinjeforme denne veien, og muliggjøre kostnadseffektiv screening og prioritering av pasienter som kan trenge ytterligere DEXA-basert testing. AI-modellen vil bli trent ved hjelp av et omfattende datasett som inkluderer demografiske og kliniske kovariater - som alder, kjønn, menopausal status og komorbide tilstander som diabetes og hjerte- og karsykdommer som fanger korrelasjoner som kan forbedre prediksjonsnøyaktigheten. Til syvende og sist er målet å tilby en pålitelig, skalerbar løsning for osteoporosescreening som kan integreres i eksisterende kliniske arbeidsflyter og redusere behovet for DEXA i innstillinger der det ikke er tilgjengelig.

Studien retter seg mot en mangfoldig befolkningsgruppe, inkludert individer med normal bentetthet, osteopeni og osteoporose som definert av DEXA-målinger. Dette mangfoldet sikrer at AI-modellen kan gjøre rede for et bredt spekter av pasientprofiler og forbedre dens prediktive robusthet. Befolkningen vil bestå av voksne på tvers av alle aldersgrupper og kjønn, inkludert både symptomatiske og asymptomatiske individer.

Studien vil følge en strukturert protokoll for datainnsamling, med sikte på å samle omfattende informasjon om pasienter som kan påvirke beinhelsen. Nøkkelvariabler vil inkludere demografiske detaljer som alder, kjønn og menopausal status; kliniske variabler som tilstedeværelsen av komorbiditeter som diabetes og kardiovaskulær sykdom, BMI og historie med frakturer; og bilde- og diagnostiske resultater, spesielt røntgenbilder (ryggrad eller hofte) og DEXA-skanningsresultater for BMD-verdier. I den prospektive fasen vil kvalifiserte pasienter som gjennomgår røntgen- eller DEXA-skanninger bli kontaktet for samtykke, og etter avtale vil deres kliniske og demografiske data bli registrert, inkludert en unik identifikator for å sikre dataintegritet og konfidensialitet. Anonymiserte røntgen- og DEXA-bilder vil da bli samlet inn, og danner det primære datasettet for AI-trening. Den retrospektive fasen vil involvere datautvinning fra eksisterende kliniske journaler, med fokus på ryggrads- og hofterøntgenbilder og tilsvarende BMD-resultater. Identifiserbar pasientinformasjon vil bli fjernet for å beskytte personvernet. Dette historiske datasettet vil utfylle de potensielle dataene, gi et bredere spekter av tilfeller og bidra til modellens generaliserbarhet.

AI-modellen vil bli utviklet ved å bruke CNN-arkitektur skreddersydd for bildebasert prediksjon. Utforskende dataanalyse vil bli utført i første omgang for å forstå fordelingen av viktige demografiske og kliniske faktorer, som vil informere balansen og strukturen til datasettet. Når dataene er renset og behandlet, vil CNN-modellen bli opplært til å forutsi BMD-verdier direkte fra røntgenbilder, med faktiske DEXA-målinger som fungerer som sannhet. Modellytelsen vil bli evaluert ved hjelp av metrikk som er kritiske for klinisk anvendelse, inkludert gjennomsnittlig absolutt feil (MAE) og Pearson korrelasjonskoeffisient (PCC) for å vurdere prediksjonsnøyaktighet, samt Area Under the Precision-Recall Curve (AUPRC) og generell nøyaktighet for å måle diagnostikk robusthet. For ytterligere å sikre nøyaktigheten, vil en k-fold kryssvalideringsteknikk bli brukt, som genererer gjennomsnittsverdier og standardavvik for hver metrikk, og gir dermed innsikt i modellens konsistens. Sammenligninger mellom ulike CNN-arkitekturer og treningsmetoder vil identifisere den optimale tilnærmingen for BMD-prediksjon.

Etter ferdigstillelse vil AI-modellen fungere som et assisterende diagnostisk verktøy for BMD-vurdering fra røntgenbilder, med flere forventede bruksområder. For det første vil modellen støtte tidlig påvisning av osteoporose ved å identifisere lave BMD-verdier, noe som gjør det mulig for klinikere å oppdage osteoporose tidligere i den diagnostiske veien og potensielt forbedre pasientresultatene. For det andre vil det hjelpe klinisk beslutningstaking ved å la helsepersonell prioritere pasienter for videre testing, spesielt i ressursbegrensede omgivelser. For det tredje kan analysen av kliniske kovariater som alder, kjønn og komorbiditeter med BMD forbedre risikovurderingen, støtte mer personlig tilpassede osteoporosebehandlingsstrategier. Til slutt vil den strukturerte lagringen av bilder, BMD-verdier og kliniske data støtte fremtidig benhelseforskning, og forbedre osteoporosescreening og forebyggende omsorgsevner.

Denne studien krever ingen tilleggsfasiliteter utover de som allerede er tilgjengelige innen de kliniske radiologiavdelingene for røntgen- og DEXA-skanning. Eksisterende datalagringsfunksjoner vil støtte databehandling, og sikre samsvar med personvern- og sikkerhetsstandarder for pasientinformasjon. Oppsummert søker denne studiens AI-modell å levere en levedyktig, skalerbar løsning for osteoporosescreening ved å tilby nøyaktige, ikke-invasive BMD-prediksjoner fra røntgenbilder. Denne tilnærmingen har potensial til å forbedre tilgangen til helsetjenester, spesielt i landlige og ressursfattige omgivelser, der den kan fungere som et screeningsverktøy som reduserer avhengigheten av kostbare DEXA-skanninger.