基于CT的深度学习用于鉴别急性和慢性骨质疏松性椎体压缩性骨折 (CT-DL-OVCF)
基于CT图像的深度学习模型用于区分急性和慢性骨质疏松性椎体压缩骨折
骨质疏松性椎体压缩性骨折在老年人中较为常见，可表现为急性或慢性骨折。正确区分急性与慢性骨折具有重要的临床意义，因为治疗策略和管理决策取决于骨折的慢性程度。然而，在常规临床实践中，仅凭影像学表现区分急性和慢性骨质疏松性椎体压缩性骨折可能具有挑战性。
本回顾性研究旨在开发一种基于计算机断层扫描（CT）图像的智能诊断系统，以区分急性和慢性骨质疏松性椎体压缩性骨折。研究将从重庆医科大学第一附属医院及另一家医疗中心收集诊断为骨质疏松性椎体压缩性骨折患者的临床和影像学数据。将训练一个深度学习模型来自动分析CT图像，并将骨折分类为急性或慢性。
本研究的结果可能有助于提高使用CT图像评估骨折慢性程度的准确性和效率，并为骨质疏松性椎体压缩性骨折患者治疗选择的临床决策提供支持信息。
研究概览
详细说明
本研究是一项回顾性、多中心观察性研究，旨在开发和评估基于深度学习的系统，用于利用计算机断层扫描（CT）图像区分急性和慢性骨质疏松性椎体压缩性骨折。
回顾性收集2023年1月至2025年9月期间，在重庆医科大学第一附属医院及另一家医疗中心接受CT和磁共振成像（MRI）检查的骨质疏松性椎体压缩性骨折患者。 收集临床数据，包括年龄、性别、双能X射线吸收测定法（DXA）结果，以及完整的DICOM格式CT和MRI图像。 CT与MRI检查的间隔时间必须小于两周。 排除由感染或肿瘤引起的病理性骨折、存在骨水泥或金属植入物等异物，或图像质量差且有明显伪影的患者。
研究流程包括数据收集、模型开发、性能评估和模型可解释性分析。 首先评估多种深度学习分割模型（包括U-Net、U-Mamba和UNETR++）的椎体分割性能。 基于最优分割结果，训练分类模型（如VGG-16、DenseNet-121、视觉Transformer（ViT）和基于Transformer的架构）以区分急性和慢性压缩性骨折。 选择性能最佳的模型构建最终分类系统。
分割任务的模型性能将使用Dice相似系数和损失值进行评估。 分类性能将在外部验证数据集中，使用受试者工作特征曲线下面积（AUC）、敏感性、特异性、准确性、阳性预测值和阴性预测值进行评估。 生成受试者工作特征曲线和混淆矩阵以可视化模型性能。
为提高模型可解释性，将应用梯度加权类激活映射（Grad-CAM）生成热图，突出显示对模型预测贡献最大的图像区域。 这些热图将叠加在CT图像上，直观展示模型如何区分急性和慢性骨质疏松性椎体压缩性骨折。
基于预定义的样本量计算（假设敏感性为0.90、显著性水平为0.05、允许误差为0.05），本研究预计纳入276名患者（138例急性病例和138例慢性病例）。
研究类型
注册 (估计的)
联系人和位置
学习地点
-
-
Chongqing Municipality
-
Chongqing、Chongqing Municipality、中国、400016
- The First Affiliated Hospital of Chongqing Medical University
-
接触：
- Xin Fan
- 电话号码：+86 23 89011876
- 邮箱：202770@hospital.cqmu.edu.cn
-
接触：
-
-
参与标准
资格标准
适合学习的年龄
- 成人
- 年长者
接受健康志愿者
取样方法
研究人群
描述
纳入标准：
- 纳入标准：
- 诊断为骨质疏松性椎体压缩性骨折的患者。
- 接受过脊柱CT和MRI检查的患者，两次检查间隔时间少于2周。
- 拥有完整的DICOM格式CT和MRI影像数据。
- 拥有完整的临床信息，包括年龄、性别和双能X线吸收测定法（DXA）结果。
- 影像学检查时年龄为50岁或以上。
排除标准：
- 由感染或恶性肿瘤引起的椎体压缩性骨折。
- 存在异物，包括骨水泥或金属植入物。
- 图像质量差或存在影响分析的显著成像伪影。
学习计划
研究是如何设计的？
设计细节
队列和干预
团体/队列 |
干预/治疗 |
|---|---|
|
急性骨质疏松性椎体压缩骨折组
基于临床评估和影像学发现诊断为急性骨质疏松性椎体压缩性骨折的患者。
|
这是一项回顾性观察性研究。
研究中未分配任何治疗、诊断或预防性干预措施。
所有分析均基于先前获取的临床和影像数据。
|
|
慢性骨质疏松性椎体压缩性骨折组
根据临床评估和影像学检查结果诊断为慢性骨质疏松性椎体压缩性骨折的患者。
|
这是一项回顾性观察性研究。
研究中未分配任何治疗、诊断或预防性干预措施。
所有分析均基于先前获取的临床和影像数据。
|
研究衡量的是什么？
主要结果指标
结果测量 |
措施说明 |
大体时间 |
|---|---|---|
|
深度学习模型用于区分急性和慢性骨质疏松性椎体压缩骨折的诊断性能
大体时间：图像分析时
|
深度学习模型基于CT图像鉴别急性和慢性骨质疏松性椎体压缩骨折的诊断性能，采用受试者工作特征曲线下面积（AUC）进行评估。
|
图像分析时
|
合作者和调查者
赞助
研究记录日期
研究主要日期
学习开始 (估计的)
初级完成 (估计的)
研究完成 (估计的)
研究注册日期
首次提交
首先提交符合 QC 标准的
首次发布 (估计的)
研究记录更新
最后更新发布 (实际的)
上次提交的符合 QC 标准的更新
最后验证
更多信息
与本研究相关的术语
计划个人参与者数据 (IPD)
计划共享个人参与者数据 (IPD)？
IPD 计划说明
药物和器械信息、研究文件
研究美国 FDA 监管的药品
研究美国 FDA 监管的设备产品
此信息直接从 clinicaltrials.gov 网站检索，没有任何更改。如果您有任何更改、删除或更新研究详细信息的请求，请联系 register@clinicaltrials.gov. clinicaltrials.gov 上实施更改，我们的网站上也会自动更新.