Identificación inteligente de osteoporosis en radiografías de cadera mediante transformer de visión

Área de la Ciencia:

• Inteligencia artificial en imágenes médicas
• Aprendizaje profundo para la evaluación de la salud ósea
• Radiómica e imágenes cuantitativas

Sus antecedentes:

• La osteoporosis es un importante problema de salud pública que provoca un aumento del riesgo de fracturas.
• El diagnóstico temprano y preciso de la osteoporosis es crucial para un manejo y prevención eficaces de las fracturas.
• Los métodos de diagnóstico actuales pueden tener limitaciones en cuanto a accesibilidad y rentabilidad, especialmente en entornos de atención primaria.

Objetivo del estudio:

• Desarrollar y evaluar un modelo de aprendizaje profundo utilizando la arquitectura Vision Transformer (ViT) para clasificar imágenes de radiografías de cadera.
• Evaluar la capacidad del modelo para distinguir entre masa ósea normal, osteopenia y osteoporosis.
• Explorar el potencial de ViT para el cribado de osteoporosis temprano y el diagnóstico auxiliar.

Principales métodos:

• Recopilación retrospectiva de 3016 imágenes de radiografías de cadera de un hospital y clínicas comunitarias.
• Preprocesamiento y extracción de las regiones de interés (ROI) del fémur proximal.
• Ajuste fino de un modelo ViT preentrenado para la clasificación de tres clases y comparación con ResNet50 e InceptionV3, validado en conjuntos de datos internos y externos.

Principales resultados:

• El modelo ViT logró una precisión del 97,0 % en el conjunto de validación interna, con AUCs altos para todas las clases (99,4 %-99,9 %).
• La validación externa demostró una precisión del 89,4 %, con AUCs que oscilan entre el 91,6 % y el 98,4 %.
• El modelo ViT superó a ResNet50 e InceptionV3 en rendimiento diagnóstico y estabilidad.

Conclusiones:

• El modelo de aprendizaje profundo basado en ViT demuestra un rendimiento y una generalización excelentes para clasificar la densidad mineral ósea a partir de radiografías de cadera.
• Este enfoque ofrece un método rentable y eficiente para el cribado de osteoporosis utilizando imágenes de rayos X de rutina.
• El modelo tiene un potencial significativo para la implementación clínica, especialmente en entornos de atención primaria para la detección temprana.