Aprendizaje multitarea para la clasificación y predicción de la escoliosis idiopática en adolescentes basado en...

Área de la Ciencia:

• Ortopedia y biomecánica
• Imágenes médicas
• Inteligencia artificial en el cuidado de la salud

Sus antecedentes:

• La evaluación de la escoliosis idiopática adolescente (EIA) se basa tradicionalmente en imágenes radiográficas, que presentan riesgos debido a la exposición a la radiación.
• Los modelos de diagnóstico actuales a menudo utilizan el aprendizaje de una sola tarea, que puede no capturar completamente las características geométricas complejas de las deformidades espinales.
• Las limitaciones de los métodos actuales requieren el desarrollo de herramientas de diagnóstico no invasivas y más precisas para AIS.

Objetivo del estudio:

• Desarrollar un marco de diagnóstico no invasivo y libre de radiación para la evaluación de la escoliosis idiopática en adolescentes.
• Superar las limitaciones de las imágenes radiográficas y los modelos de aprendizaje de una sola tarea en la evaluación de deformidades espinales.
• Para crear un modelo de aprendizaje profundo multi-tareas capaz de predecir simultáneamente el ángulo de Cobb, el tipo de curva y la dirección de la curva.

Principales métodos:

• Utilizó datos estructurados de la superficie posterior adquiridos a través de imágenes 3D de proyección de la franja.
• Desarrolló y entrenó un modelo de aprendizaje profundo multitarea para predecir el ángulo de Cobb, el tipo de curva (torácica, lumbar, mixta, ninguna) y la dirección de la curva (izquierda, derecha, ninguna).
• El modelo aprendió características morfológicas compartidas de los datos de superficie para realizar predicciones simultáneas.

Principales resultados:

• El modelo de tareas múltiples logró un error absoluto medio (MAE) de 2,9 ° y un error cuadrado medio de raíz (RMSE) de 6,9 ° para la predicción del ángulo de Cobb, superando significativamente la línea de base de una sola tarea (5,4 ° MAE, 12,5 ° RMSE).
• Se ha demostrado una fuerte correlación con las mediciones radiográficas (R = 0,96, R2 = 0,91).
• Se ha obtenido una alta sensibilidad para la clasificación de las curvas (89% para las curvas lumbares/mixtas, 80% para las curvas de derecha, 75% para las curvas de izquierda) y un valor predictivo positivo (87% para las curvas de derecha).

Conclusiones:

• El aprendizaje conjunto de tareas clínicas relacionadas en un modelo de tareas múltiples permite la extracción de características geométricas más robustas a partir de datos de superficie para la evaluación del AIS.
• El marco de aprendizaje multitarea propuesto ofrece una precisión y estabilidad superiores en comparación con los enfoques tradicionales de una sola tarea.
• Este método no invasivo y libre de radiación proporciona una alternativa segura y eficiente para el cribado y el monitoreo de la escoliosis, con posibles aplicaciones clínicas.