Модель искусственного интеллекта для прогнозирования минеральной плотности костей на основе рентгеновских изображений

Целью данного исследования является разработка надежной модели искусственного интеллекта (ИИ) для прогнозирования минеральной плотности костной ткани (МПК) на основе рентгеновских изображений с использованием методов глубокого обучения, с особым упором на улучшение обобщаемости модели на различные группы населения. Цель состоит в том, чтобы предоставить доступный, неинвазивный инструмент скрининга остеопороза, снижающий зависимость от двухэнергетической рентгеновской абсорбциометрии (DEXA), которые часто недоступны или недоступны в странах с ограниченными ресурсами, таких как Бангладеш. Ожидается, что эта модель искусственного интеллекта, использующая архитектуру сверточной нейронной сети (CNN), поможет в ранней диагностике и лечении остеопороза, что в конечном итоге улучшит процесс принятия клинических решений и эффективность здравоохранения.

Это обсервационное исследование «случай-контроль» будет проводиться в отделении радиологии Диагностического и консультативного центра Ибн Сины, Уттара. Исследование включает в себя как проспективный, так и ретроспективный этапы сбора данных, что позволяет провести комплексное агрегирование данных. На проспективном этапе данные будут собираться непосредственно у подходящих пациентов, проходящих рентгеновскую визуализацию и сканирование DEXA. На ретроспективном этапе исторические данные будут извлечены из клинических баз данных, включая рентгеновские изображения и соответствующие отчеты о МПК. Исследование направлено на изучение различий в состоянии костей среди широких демографических групп, отражающих распространенность остеопороза среди людей разного возраста, пола и клинического профиля в Бангладеш.

В Бангладеш остеопороз остается недостаточно диагностируемым из-за ограниченной доступности сканеров DEXA и обученного персонала, особенно в сельских районах и районах с ограниченными ресурсами. Стандартный диагностический путь часто начинается с симптоматической рентгенографии, за которой следует сканирование DEXA при подозрении на остеопороз. Этот двухэтапный процесс является дорогостоящим и трудоемким, задерживает диагностику и лечение, что может привести к серьезным осложнениям, включая переломы. Прогнозирование МПК на основе искусственного интеллекта на основе рентгеновских изображений потенциально может упростить этот путь, обеспечивая экономически эффективный скрининг и определение приоритетности пациентов, которым может потребоваться дальнейшее тестирование на основе DEXA. Модель искусственного интеллекта будет обучена с использованием комплексного набора данных, включающего демографические и клинические ковариаты, такие как возраст, пол, статус менопаузы и сопутствующие состояния, такие как диабет и корреляции с сердечно-сосудистыми заболеваниями, которые могут повысить точность прогнозирования. В конечном итоге цель состоит в том, чтобы предложить надежное, масштабируемое решение для скрининга остеопороза, которое можно было бы интегрировать в существующие клинические рабочие процессы и снизить потребность в DEXA в условиях, где он недоступен.

Исследование нацелено на разнообразную группу населения, включая людей с нормальной плотностью костей, остеопенией и остеопорозом, как определено измерениями DEXA. Такое разнообразие гарантирует, что модель ИИ может учитывать широкий спектр профилей пациентов и повышает ее прогностическую надежность. Популяция будет состоять из взрослых всех возрастных групп и полов, включая лиц как с симптомами, так и без симптомов.

Исследование будет следовать структурированному протоколу сбора данных с целью сбора комплексной информации о пациентах, которая может повлиять на здоровье костей. Ключевые переменные будут включать демографические данные, такие как возраст, пол и статус менопаузы; клинические переменные, такие как наличие сопутствующих заболеваний, таких как диабет и сердечно-сосудистые заболевания, ИМТ и переломы в анамнезе; а также результаты визуализации и диагностики, в частности рентгеновские изображения (позвоночника или бедра) и результаты сканирования DEXA для определения достоверных значений МПК. На проспективном этапе к подходящим пациентам, проходящим рентгеновское сканирование или сканирование DEXA, будет предложено получить согласие, и после согласия их клинические и демографические данные будут записаны, включая уникальный идентификатор для обеспечения целостности и конфиденциальности данных. Затем будут собраны анонимизированные рентгеновские снимки и изображения DEXA, которые составят основной набор данных для обучения ИИ. Ретроспективная фаза будет включать извлечение данных из существующих клинических записей с упором на рентгеновские снимки позвоночника и бедра и соответствующие результаты МПК. Идентифицирующая информация о пациенте будет удалена в целях защиты конфиденциальности. Этот набор исторических данных дополнит перспективные данные, предоставляя более широкий спектр случаев и способствуя обобщению модели.

Модель искусственного интеллекта будет разработана с использованием архитектуры CNN, адаптированной для прогнозирования на основе изображений. Первоначально будет проведен исследовательский анализ данных, чтобы понять распределение ключевых демографических и клинических факторов, которые будут определять баланс и структуру набора данных. После того, как данные будут очищены и обработаны, модель CNN будет обучена прогнозировать значения МПК непосредственно на основе рентгеновских изображений, а фактические измерения DEXA будут служить основой. Эффективность модели будет оцениваться с использованием показателей, важных для клинического применения, включая среднюю абсолютную ошибку (MAE) и коэффициент корреляции Пирсона (PCC) для оценки точности прогнозирования, а также площадь под кривой точного отзыва (AUPRC) и общую точность для измерения диагностических показателей. надежность. Для дальнейшего обеспечения точности будет применяться метод k-кратной перекрестной проверки, генерирующий средние значения и стандартные отклонения для каждого показателя, тем самым обеспечивая понимание последовательности модели. Сравнение различных архитектур CNN и методологий обучения позволит определить оптимальный подход к прогнозированию МПК.

После завершения модель искусственного интеллекта будет служить вспомогательным диагностическим инструментом для оценки МПКТ по ​​рентгеновским изображениям с несколькими ожидаемыми приложениями. Во-первых, модель будет способствовать раннему выявлению остеопороза за счет определения низких значений МПК, что позволит врачам выявлять остеопороз на более ранних этапах диагностического пути и потенциально улучшить результаты лечения пациентов. Во-вторых, это поможет принимать клинические решения, позволяя медицинским работникам определять приоритетность пациентов для дальнейшего тестирования, особенно в условиях ограниченных ресурсов. В-третьих, анализ клинических переменных, таких как возраст, пол и сопутствующие заболевания с МПК, может уточнить оценку риска, поддерживая более персонализированные стратегии лечения остеопороза. Наконец, структурированное хранение изображений, значений МПК и клинических данных будет способствовать будущим исследованиям здоровья костей, расширяя возможности скрининга остеопороза и профилактического лечения.

Это исследование не требует каких-либо дополнительных средств, кроме тех, которые уже имеются в отделениях клинической радиологии для рентгенографии и сканирования DEXA. Существующие возможности хранения данных будут поддерживать управление данными, обеспечивая соблюдение стандартов конфиденциальности и безопасности информации о пациентах. Подводя итог, можно сказать, что модель искусственного интеллекта в этом исследовании призвана предоставить жизнеспособное, масштабируемое решение для скрининга остеопороза, предлагая точные, неинвазивные прогнозы МПК на основе рентгеновских изображений. Этот подход потенциально может улучшить доступ к здравоохранению, особенно в сельской местности и странах с ограниченными ресурсами, где он может выступать в качестве инструмента скрининга, снижающего зависимость от дорогостоящих исследований DEXA.