CT-baserad djupinlärning för differentiering av akuta och kroniska osteoporotiska vertebrale kompressionsfrakturer (CT-DL-OVCF)

Denna studie är en retrospektiv, multikenterad observationsstudie som är utformad för att utveckla och utvärdera ett djupinlärningsbaserat system för att särskilja akuta och kroniska osteoporotiska kotkompressionsfrakturer med hjälp av datortomografi (DT)-bilder.

Patienter med diagnosen osteoporotisk kotkompressionsfraktur som genomgått både DT- och magnetresonanstomografi (MRT)-undersökningar kommer att samlas in retrospektivt från Första sjukhuset vid Chongqing Medical University och ett ytterligare medicinskt centrum mellan januari 2023 och september 2025. Kliniska data, inklusive ålder, kön och resultat från dubbelenergi-röntgenabsorptiometri (DXA), samt fullständiga DICOM-formaterade DT- och MRT-bilder, kommer att samlas in. Intervallet mellan DT- och MRT-undersökningar måste vara kortare än två veckor. Patienter med patologiska frakturer orsakade av infektion eller tumör, närvaro av främmande material såsom bencement eller metallimplantat, eller dålig bildkvalitet med signifikanta artefakter kommer att uteslutas.

Studiens arbetsflöde inkluderar datainsamling, modellutveckling, prestandautvärdering och analys av modelltolkbarhet. Flera djupinlärningssegmenteringsmodeller, inklusive U-Net, U-Mamba och UNETR++, kommer först att utvärderas för prestanda vid kotkroppssegmentering. Baserat på de optimala segmenteringsresultaten kommer klassificeringsmodeller som VGG-16, DenseNet-121, Vision Transformer (ViT) och transformer-baserade arkitekturer att tränas för att särskilja akuta och kroniska kompressionsfrakturer. Den bäst presterande modellen kommer att väljas för att konstruera det slutliga klassificeringssystemet.

Modellens prestanda för segmenteringsuppgifter kommer att bedömas med Dice-similaritetskoefficient och förlustvärden. Klassificeringsprestanda kommer att utvärderas i en extern valideringsdataset med hjälp av area under receiver operating characteristic-kurvan (AUC), sensitivitet, specificitet, noggrannhet, positivt prediktivt värde och negativt prediktivt värde. Receiver operating characteristic-kurvor och förvirringsmatriser kommer att genereras för att visualisera modellens prestanda.

För att förbättra modellens tolkbarhet kommer gradient-viktad klassaktiveringskartläggning (Grad-CAM) att tillämpas för att generera värmekartor som framhäver bildregioner som bidrar mest till modellens förutsägelser. Dessa värmekartor kommer att överlagras på DT-bilder för att visuellt demonstrera hur modellen särskiljer akuta och kroniska osteoporotiska kotkompressionsfrakturer.

Baserat på en fördefinierad urvalsstorleksberäkning som antar en sensitivitet på 0,90, en signifikansnivå på 0,05 och ett tillåtet fel på 0,05 förväntas totalt 276 patienter (138 akuta och 138 kroniska fall) inkluderas i denna studie.