Pipeline jerárquico de aprendizaje profundo para la medición robusta de parámetros cervicales en radiografías con...

Área de la Ciencia:

• Imagenología y análisis de la columna vertebral
• Aprendizaje profundo en diagnóstico médico
• Automatización de mediciones radiográficas

Sus antecedentes:

• La evaluación precisa de la alineación sagital cervical es crucial para diagnosticar afecciones de la columna vertebral.
• Las mediciones cervicales en radiografías laterales a menudo se ven obstaculizadas por el oscurecimiento del cuerpo vertebral de C7.
• Los métodos automatizados existentes tienen dificultades con casos desafiantes, particularmente el oscurecimiento de C7.

Objetivo del estudio:

• Desarrollar y validar un pipeline jerárquico de aprendizaje profundo para mediciones sagitales cervicales automatizadas.
• Abordar y superar específicamente el desafío del oscurecimiento del cuerpo vertebral de C7 en radiografías laterales.
• Mejorar la confiabilidad y la generalización de la evaluación de la alineación cervical en entornos clínicos del mundo real.

Principales métodos:

• Un pipeline jerárquico de aprendizaje profundo que combina un detector de puntos clave global y modelos especializados de C2/C7.
• Se utilizó un perceptrón multicapa para localizar puntos de referencia en parches de imágenes de alta resolución.
• Se entrenó con 5604 imágenes y se validó en conjuntos de datos internos y externos, incluida una cohorte con un 82% de oscurecimiento de C7.

Principales resultados:

• Se logró una excelente concordancia con las mediciones de referencia para la lordosis (ICC 0.97, MAE 2.6°), la pendiente de C2 (ICC >0.99, MAE 0.8°) y la pendiente de C7 (ICC 0.93, MAE 2.3°).
• Se demostró una repetibilidad casi perfecta (ICC >0.99) y una concordancia superior entre la IA y los expertos para la pendiente de C7 (ICC 0.81-0.84) en comparación con la confiabilidad inter-expertos (ICC 0.67).
• El pipeline corrigió con éxito errores significativos en los casos de fallo, lo que demuestra su robustez.

Conclusiones:

• El pipeline jerárquico de aprendizaje profundo desarrollado proporciona una solución robusta y generalizable para la evaluación automatizada de la alineación sagital cervical.
• El enfoque de grueso a fino maneja eficazmente el oscurecimiento de C7, lo que mejora la aplicabilidad clínica.
• Este sistema automatizado ofrece mediciones confiables, superando potencialmente la confiabilidad interobservador en escenarios desafiantes.