Aprendizagem Profunda Baseada em TC para Diferenciação de Fraturas de Compressão Vertebral Osteoporóticas Agudas e Crónicas (CT-DL-OVCF)

Este estudo é um estudo observacional multicêntrico e retrospetivo concebido para desenvolver e avaliar um sistema baseado em aprendizagem profunda para diferenciar fraturas de compressão vertebral osteoporóticas agudas e crónicas utilizando imagens de tomografia computorizada (TC).

Os doentes diagnosticados com fraturas de compressão vertebral osteoporóticas que realizaram exames de TC e de ressonância magnética (RM) serão recolhidos retrospetivamente do Primeiro Hospital Afiliado da Universidade Médica de Chongqing e de mais um centro médico entre janeiro de 2023 e setembro de 2025. Serão recolhidos dados clínicos, incluindo idade, sexo e resultados de absorciometria de raios-X de dupla energia (DXA), bem como imagens completas de TC e RM em formato DICOM. O intervalo entre os exames de TC e RM deve ser inferior a duas semanas. Serão excluídos doentes com fraturas patológicas causadas por infeção ou tumor, a presença de materiais estranhos como cimento ósseo ou material metálico, ou má qualidade da imagem com artefactos significativos.

O fluxo de trabalho do estudo inclui recolha de dados, desenvolvimento de modelo, avaliação de desempenho e análise de interpretabilidade do modelo. Vários modelos de segmentação de aprendizagem profunda, incluindo U-Net, U-Mamba e UNETR++, serão primeiro avaliados quanto ao desempenho de segmentação do corpo vertebral. Com base nos resultados de segmentação ótimos, modelos de classificação como VGG-16, DenseNet-121, Vision Transformer (ViT) e arquiteturas baseadas em Transformer serão treinados para diferenciar fraturas de compressão agudas e crónicas. O modelo com melhor desempenho será selecionado para construir o sistema de classificação final.

O desempenho do modelo para tarefas de segmentação será avaliado utilizando o coeficiente de similaridade de Dice e valores de perda. O desempenho de classificação será avaliado num conjunto de dados de validação externa utilizando a área sob a curva característica de operação do recetor (AUC), sensibilidade, especificidade, precisão, valor preditivo positivo e valor preditivo negativo. Serão geradas curvas características de operação do recetor e matrizes de confusão para visualizar o desempenho do modelo.

Para melhorar a interpretabilidade do modelo, o mapeamento de ativação de classe ponderado por gradiente (Grad-CAM) será aplicado para gerar mapas de calor que destacam as regiões da imagem que mais contribuem para as previsões do modelo. Estes mapas de calor serão sobrepostos nas imagens de TC para demonstrar visualmente como o modelo diferencia fraturas de compressão vertebral osteoporóticas agudas e crónicas.

Com base num cálculo de tamanho de amostra pré-definido, assumindo uma sensibilidade de 0,90, um nível de significância de 0,05 e um erro permitido de 0,05, espera-se que um total de 276 doentes (138 casos agudos e 138 casos crónicos) sejam incluídos neste estudo.