Diagnóstico basado en el aprendizaje profundo de la espondilolistesis lumbar utilizando imágenes de rayos X

Área de la Ciencia:

• Inteligencia artificial
• Imágenes médicas
• Trastornos de la columna vertebral

Sus antecedentes:

• La espondilolistesis lumbar (LS) es una afección espinal frecuente que implica el desplazamiento vertebral.
• La detección temprana de LS es difícil debido a las etapas tempranas asintomáticas.
• La IA ofrece el potencial para mejorar las capacidades de diagnóstico.

Objetivo del estudio:

• Desarrollar y validar un modelo de aprendizaje profundo de IA para el diagnóstico precoz y preciso de LS.
• Utilice imágenes de rayos X lumbares para la identificación y clasificación de LS.
• Comparar el rendimiento del modelo de IA con los métodos y expertos clínicos existentes.

Principales métodos:

• Se entrenó un modelo de aprendizaje profundo en 3300 imágenes de rayos X lumbares laterales.
• Se empleó la segmentación semántica para delinear los cuerpos vertebrales.
• La clasificación de Meyerding se utilizó para clasificar LS en función de las distancias intervertebrales.

Principales resultados:

• El modelo de IA logró altas puntuaciones F1 (0,92 y 0,91) en conjuntos de datos internos y externos.
• La precisión del diagnóstico alcanzó el 96,1% (internas) y el 94,4% (externas).
• El modelo superó la precisión del diagnóstico médico (90,6% y 89,3%).

Conclusiones:

• El modelo de aprendizaje profundo desarrollado es preciso y confiable para el diagnóstico de LS.
• La IA es prometedora para la detección temprana de LS y la mejora de la toma de decisiones clínicas.
• La investigación adicional incluye la expansión del conjunto de datos y la validación clínica.