Valor diagnóstico del aprendizaje automático basado en imágenes para la osteoporosis: revisión sistemática y...

Área de la Ciencia:

• Análisis de imágenes médicas
• Inteligencia artificial en la atención médica
• Diagnóstico de osteoporosis

Sus antecedentes:

• La osteoporosis (OP) representa un importante desafío para la salud de las poblaciones que envejecen.
• Los modelos de aprendizaje automático (ML) y aprendizaje profundo (DL) mejoran la precisión y la eficiencia diagnósticas en la imagen médica.
• Carece de una evaluación sistemática de las diferentes modalidades de imagen médica para el diagnóstico de OP utilizando ML.

Objetivo del estudio:

• Revisar sistemáticamente y dilucidar el papel de los modelos de aprendizaje profundo (DL) en la detección de osteoporosis (OP) en diversas modalidades de imagen médica.
• Proporcionar una visión general completa del rendimiento diagnóstico de los métodos de detección de OP basados en ML.

Principales métodos:

• Búsqueda sistemática de literatura en PubMed, Embase, Cochrane Library y Web of Science para estudios de diagnóstico de OP basados en ML.
• Evaluación de la calidad de los estudios incluidos utilizando la herramienta Quality Assessment of Diagnostic Accuracy Studies-2.
• Metaanálisis de sensibilidad y especificidad utilizando un modelo bivariado de efectos mixtos, estratificado por modalidad de imagen (rayos X, TC, RM) y análisis de subgrupos.

Principales resultados:

• Se incluyeron 60 estudios con 66.195 participantes; 22 utilizaron radiografías, 37 utilizaron TC y 3 utilizaron RM.
• Los modelos de rayos X mostraron alta sensibilidad (SEN) y especificidad (SPC) combinadas: esqueleto apendicular (0.97, 0.90), mandíbula (0.94, 0.80), columna lumbar (0.87, 0.82).
• Los modelos de TC demostraron un fuerte rendimiento: articulación de la cadera (0.87, 0.92), columna torácica (0.91, 0.94), columna lumbar (0.91, 0.92).

Conclusiones:

• El ML, en particular el DL con rayos X y TC, demuestra una alta precisión diagnóstica para la osteoporosis.
• Se utilizaron estudios limitados de RM y la falta de validación externa presenta limitaciones interpretativas.
• La investigación futura debe centrarse en el desarrollo de herramientas de IA con aplicabilidad más amplia y una mayor precisión diagnóstica para la osteoporosis.