Modelo de radiomía de aprendizaje profundo basado en imágenes de tomografía computarizada para predecir la...

Área de la Ciencia:

• Radiología
• Inteligencia artificial
• Imágenes médicas

Sus antecedentes:

• Las fracturas vertebrales osteoporóticas son una causa importante de discapacidad en los adultos mayores.
• El diagnóstico y la clasificación precisos de los OVF son cruciales para una gestión eficaz.
• Los avances en imágenes de TC, radiómica y aprendizaje profundo ofrecen potencial para mejorar la clasificación de OVF.

Objetivo del estudio:

• Evaluar la eficacia de un modelo radiómico de aprendizaje profundo para una clasificación precisa de las FVO utilizando imágenes por TC.
• Para comparar el rendimiento de los modelos pre-entrenados en RadImageNet frente a ImageNet.
• Interpretar el fundamento predictivo del modelo óptimo utilizando el análisis SHAP.

Principales métodos:

• Análisis de 981 pacientes (1098 vértebras) con FVO clasificados mediante el sistema ASTLOF (Clases 0, 1, 2).
• Desarrollo de un modelo de aprendizaje de transferencia profunda (ResNet-50) combinado con características de radiómica, refinado por regresión LASSO.
• Evaluación del rendimiento utilizando clasificadores de aprendizaje automático, métricas de ROC y el enfoque "One-vs-Rest"; comparación mediante prueba DeLong; interpretación mediante análisis SHAP.

Principales resultados:

• El modelo fusionado basado en RadImageNet logró un rendimiento predictivo superior en todos los conjuntos de validación (AUC macro promedio: 0,837 interno, 0,773 externo, 0,852 prospectivo).
• El modelo mostró un buen rendimiento en la clasificación de las fracturas de Clase 2 (AUC=0,907), seguidas de las de Clase 0 (AUC=0,829) y Clase 1 (AUC=0,794).
• El análisis SHAP identificó características clave como la sombra del clúster, el promedio y el énfasis en el nivel de gris bajo en grandes áreas que influyen en las predicciones.

Conclusiones:

• El modelo radiómico de aprendizaje profundo basado en RadImageNet demuestra una utilidad significativa para la clasificación de OVF utilizando datos de TC.
• Este modelo muestra un rendimiento predictivo superior en comparación con el modelo basado en ImageNet, ayudando a la toma de decisiones clínicas.
• La capacidad del modelo para clasificar con precisión diferentes clases de OVF apoya su aplicación en la planificación del tratamiento.