Model AI do przewidywania gęstości mineralnej kości na podstawie zdjęć rentgenowskich

Celem tego badania jest opracowanie solidnego modelu sztucznej inteligencji (AI) do przewidywania gęstości mineralnej kości (BMD) na podstawie zdjęć rentgenowskich przy użyciu technik głębokiego uczenia się, ze szczególnym naciskiem na poprawę możliwości uogólniania modelu na różne populacje. Celem jest zapewnienie dostępnego, nieinwazyjnego narzędzia do badań przesiewowych w kierunku osteoporozy, zmniejszając zależność od skanów absorpcjometrii rentgenowskiej o podwójnej energii (DEXA), które są często niedostępne lub nieopłacalne w miejscach o niskich zasobach, takich jak Bangladesz. Oczekuje się, że ten model sztucznej inteligencji, wykorzystujący architekturę splotowej sieci neuronowej (CNN), pomoże we wczesnej diagnostyce i leczeniu osteoporozy, ostatecznie poprawiając podejmowanie decyzji klinicznych i efektywność opieki zdrowotnej.

Niniejsze badanie obserwacyjne typu kliniczno-kontrolnego zostanie przeprowadzone na Wydziale Radiologii Centrum Diagnostyczno-Konsultacyjnego Ibn Sina w stanie Uttara. Badanie obejmuje zarówno etapy zbierania danych prospektywnych, jak i retrospektywnych, co pozwala na kompleksową agregację danych. W fazie prospektywnej dane będą zbierane bezpośrednio od kwalifikujących się pacjentów poddawanych obrazowaniu rentgenowskiemu i skanom DEXA. Na potrzeby fazy retrospektywnej dane historyczne zostaną pobrane z klinicznych baz danych, w tym zdjęcia rentgenowskie i odpowiednie raporty BMD. Celem badania jest zbadanie różnic w zdrowiu kości w szerokiej grupie demograficznej, odzwierciedlających częstość występowania osteoporozy wśród osób w różnym wieku, płci i pochodzenia klinicznego w Bangladeszu.

W Bangladeszu osteoporoza pozostaje niedodiagnozowana ze względu na ograniczoną dostępność skanerów DEXA i przeszkolonego personelu, szczególnie na obszarach wiejskich i o ograniczonych zasobach. Standardowa ścieżka diagnostyczna często rozpoczyna się od objawowego zdjęcia rentgenowskiego, a następnie, jeśli podejrzewa się osteoporozę, wykonuje się badanie DEXA. Ten dwuetapowy proces jest kosztowny i czasochłonny, opóźnia diagnostykę i leczenie, co może prowadzić do poważnych powikłań, w tym złamań. Oparte na sztucznej inteligencji przewidywania BMD na podstawie zdjęć rentgenowskich mogą potencjalnie usprawnić tę ścieżkę, umożliwiając opłacalne badania przesiewowe i ustalanie priorytetów pacjentów, którzy mogą potrzebować dalszych badań opartych na DEXA. Model sztucznej inteligencji zostanie wytrenowany przy użyciu obszernego zbioru danych obejmującego współzmienne demograficzne i kliniczne, takie jak wiek, płeć, stan menopauzalny i choroby współistniejące, takie jak cukrzyca i choroby układu krążenia, korelacje wychwytujące korelacje, które mogą zwiększyć dokładność przewidywań. Ostatecznym celem jest zaoferowanie niezawodnego, skalowalnego rozwiązania do badań przesiewowych w kierunku osteoporozy, które można by zintegrować z istniejącymi procesami klinicznymi i zmniejszyć potrzebę stosowania DEXA w warunkach, w których jest ona niedostępna.

Badanie skierowane jest do zróżnicowanej grupy populacji, w tym osób z prawidłową gęstością kości, osteopenią i osteoporozą określoną na podstawie pomiarów DEXA. Ta różnorodność gwarantuje, że model sztucznej inteligencji może uwzględnić szerokie spektrum profili pacjentów i zwiększyć jego niezawodność predykcyjną. Populacja będzie składać się z dorosłych we wszystkich grupach wiekowych i płci, w tym zarówno osoby z objawami, jak i bezobjawami.

Badanie zostanie przeprowadzone zgodnie z ustrukturyzowanym protokołem gromadzenia danych, którego celem będzie zebranie kompleksowych informacji o pacjentach, które mogą mieć wpływ na zdrowie kości. Kluczowe zmienne będą obejmować szczegóły demograficzne, takie jak wiek, płeć i stan menopauzalny; zmienne kliniczne, takie jak obecność chorób współistniejących, takich jak cukrzyca i choroby układu krążenia, BMI i historia złamań; oraz wyniki obrazowania i diagnostyki, w szczególności zdjęcia rentgenowskie (kręgosłupa lub biodra) i wyniki skanu DEXA w celu sprawdzenia podstawowych wartości BMD. W fazie prospektywnej kwalifikujący się pacjenci poddawani prześwietleniom rentgenowskim lub skanom DEXA zostaną poproszeni o zgodę, a po uzyskaniu zgody zostaną zarejestrowane ich dane kliniczne i demograficzne, w tym unikalny identyfikator w celu zapewnienia integralności i poufności danych. Następnie zostaną zebrane anonimowe zdjęcia rentgenowskie i obrazy DEXA, tworząc podstawowy zbiór danych do szkolenia sztucznej inteligencji. Faza retrospektywna obejmie ekstrakcję danych z istniejącej dokumentacji klinicznej, koncentrując się na zdjęciach rentgenowskich kręgosłupa i bioder oraz odpowiadających im wynikach BMD. Dane pacjenta umożliwiające identyfikację zostaną usunięte w celu ochrony prywatności. Ten historyczny zbiór danych uzupełni dane prospektywne, zapewniając szersze spektrum przypadków i przyczyniając się do uogólnienia modelu.

Model sztucznej inteligencji zostanie opracowany przy użyciu architektury CNN dostosowanej do przewidywania opartego na obrazach. Początkowo zostanie przeprowadzona eksploracyjna analiza danych w celu zrozumienia rozkładu kluczowych czynników demograficznych i klinicznych, które wpłyną na równowagę i strukturę zbioru danych. Po oczyszczeniu i przetworzeniu danych model CNN zostanie przeszkolony w zakresie przewidywania wartości BMD bezpośrednio na podstawie zdjęć rentgenowskich, przy czym rzeczywiste pomiary DEXA będą stanowić podstawę prawdy. Wydajność modelu zostanie oceniona przy użyciu wskaźników krytycznych dla zastosowań klinicznych, w tym średniego błędu bezwzględnego (MAE) i współczynnika korelacji Pearsona (PCC) w celu oceny dokładności przewidywań, a także pola powierzchni pod krzywą precyzji-przypomnienia (AUPRC) i ogólnej dokładności pomiaru diagnostycznego krzepkość. Aby jeszcze bardziej zapewnić dokładność, zastosowana zostanie technika k-krotnej walidacji krzyżowej, generująca wartości średnie i odchylenia standardowe dla każdej metryki, zapewniając w ten sposób wgląd w spójność modelu. Porównania różnych architektur CNN i metodologii szkoleniowych pozwolą określić optymalne podejście do przewidywania BMD.

Po ukończeniu model sztucznej inteligencji będzie służył jako pomocnicze narzędzie diagnostyczne do oceny BMD na podstawie zdjęć rentgenowskich i będzie miał kilka przewidywanych zastosowań. Po pierwsze, model będzie wspierał wczesne wykrywanie osteoporozy poprzez identyfikację niskich wartości BMD, umożliwiając klinicystom wykrywanie osteoporozy na ścieżce diagnostycznej wcześniej i potencjalnie poprawiając wyniki leczenia pacjentów. Po drugie, pomoże w podejmowaniu decyzji klinicznych, umożliwiając pracownikom służby zdrowia ustalanie priorytetów pacjentów do dalszych badań, szczególnie w placówkach o ograniczonych zasobach. Po trzecie, analiza współzmiennych klinicznych, takich jak wiek, płeć i choroby współistniejące z BMD, mogłaby udoskonalić ocenę ryzyka, wspierając bardziej spersonalizowane strategie leczenia osteoporozy. Wreszcie uporządkowane przechowywanie obrazów, wartości BMD i danych klinicznych będzie wspierać przyszłe badania nad zdrowiem kości, usprawniając badania przesiewowe w kierunku osteoporozy i możliwości opieki profilaktycznej.

Badanie to nie wymaga żadnych dodatkowych urządzeń poza tymi już dostępnymi na oddziałach radiologii klinicznej do skanowania rentgenowskiego i DEXA. Istniejące możliwości przechowywania danych będą wspierać zarządzanie danymi, zapewniając zgodność ze standardami prywatności i bezpieczeństwa informacji o pacjencie. Podsumowując, model sztucznej inteligencji zastosowany w tym badaniu ma na celu dostarczenie realnego, skalowalnego rozwiązania do badań przesiewowych w kierunku osteoporozy, oferując dokładne, nieinwazyjne prognozy BMD na podstawie zdjęć rentgenowskich. Podejście to może potencjalnie poprawić dostęp do opieki zdrowotnej, szczególnie na obszarach wiejskich i w obszarach o niskich zasobach, gdzie może pełnić funkcję narzędzia przesiewowego zmniejszającego zależność od kosztownych skanów DEXA.