Subskrypcja JoVE jest wymagana do oglądania tego materiału. Zaloguj się lub rozpocznij bezpłatny okres próbny.
Artykuł badawczy
Wynik uzyskany dzięki głębokiemu uczeniu, wyekstrahowany z bocznych radiogramów odcinka piersiowo-lędźwiowego kręgosłupa, w połączeniu z klinicznymi czynnikami ryzyka, umożliwił dokładne przewidzenie wystąpienia złamań kręgów w ciągu dwóch lat. Model walidowany wewnętrznie wykazał lepszą dyskryminację, kalibrację, reklasyfikację oraz korzyść decyzyjną niż model kliniczny, co wspiera indywidualną stratyfikację ryzyka i wczesne strategie zarządzania profilaktycznego.
Wczesna identyfikacja pacjentów z ryzykiem wystąpienia złamania kręgów pozostaje wyzwaniem, ponieważ rutynowa kliniczna ocena ryzyka nie oddaje w pełni miejscowej kruchości kręgosłupa. W tym jednocentrycznym retrospektywnym badaniu kohortowym oceniono, czy cechy głębokiego uczenia (DL) wyekstrahowane z wyjściowych radiogramów bocznych odcinka piersiowo-lędźwiowego poprawiają przewidywanie wystąpienia złamania kręgów w ciągu 2 lat w połączeniu z klinicznymi czynnikami ryzyka. Do badania włączono łącznie 2 173 pacjentów, których chronologicznie podzielono na kohortę pochodną (n = 1 449) i kohortę walidacji wewnętrznej (n = 724). Cechy DL wyprowadzono z wyjściowych radiogramów, a do wyboru predyktorów oraz budowy modelu klinicznego, modelu DL i modelu połączonego zastosowano regresję LASSO-Cox. Wydajność oceniono za pomocą korekty optymizmu metodą bootstrap, czasowej walidacji wewnętrznej, kalibracji, analizy krzywej decyzyjnej, zależnej od czasu poprawy reklasyfikacji netto (NRI), zintegrowanej poprawy dyskryminacji (IDI) oraz analiz wrażliwości. Z 2 048 kandydackich cech DL zatrzymano 5 do wygenerowania wyniku DL, który pozostał niezależnym predyktorem w modelu połączonym (HR 1,64, 95% CI 1,34–2,01; P < 0,001). W walidacji wewnętrznej model połączony osiągnął wskaźnik C-index wynoszący 0,759, 2-letnie AUC wynoszące 0,774 oraz 2-letni wynik Brier wynoszący 0,077, co było lepsze niż w modelu klinicznym, przy dobrej kalibracji (punkt przecięcia 0,012; nachylenie 0,972). W porównaniu z modelem klinicznym, model połączony poprawił również reklasyfikację (2-letnie NRI 0,316 w kohorcie pochodnej i 0,241 w walidacji) oraz dyskryminację (odpowiednio 2-letnie IDI 0,047 i 0,033; wszystkie P < 0,01) oraz zapewnił większą korzyść netto w analizie krzywej decyzyjnej. Analizy wrażliwości były zgodne z głównymi wynikami. Połączenie cech DL z radiogramów bocznych odcinka piersiowo-lędźwiowego z klinicznymi czynnikami ryzyka może umożliwić dokładniejsze, zindywidualizowane przewidywanie wystąpienia złamania kręgów w ciągu 2 lat.
Złamanie kręgów jest jednym z najczęstszych typów osteoporotycznych złamań fragilnych, występującym szczególnie często w odcinku piersiowo-lędźwiowym. Może ono prowadzić do przewlekłego bólu, utraty wzrostu, deformacji kifotycznej, ograniczenia ruchomości oraz zwiększyć ryzyko ponownego złamania i pogorszyć rokowanie1. W praktyce klinicznej znaczna część pacjentów nie wykazuje typowych objawów przed wystąpieniem złamania, a wiele przypadków jest identyfikowanych dopiero w badaniach obrazowych przeprowadzanych w ramach kontroli, co sugeruje, że opieranie się wyłącznie na objawach lub diagnozie retrospektywnej utrudnia terminowe przeprowadzenie przesiewu populacji wysokiego ryzyka2,3. Obecna ocena ryzyka opiera się głównie na takich informacjach jak wiek, płeć, wskaźnik masy ciała (BMI), wcześniejsze złamania fragilne, cukrzyca, ekspozycja na glikokortykosteroidy oraz gęstość mineralna kości, co pozwala odzwierciedlić ogólnoustrojową kruchość kości, jednak trudno jest w pełni scharakteryzować lokalną kruchość strukturalną i nieprawidłowości mechaniczne kręgosłupa piersiowo-lędźwiowego; stanowi to kluczową trudność w przewidywaniu ryzyka nowych złamań kręgów, która istnieje od dawna4. Radiografia boczna odcinka piersiowo-lędźwiowego jest jednym z najczęściej stosowanych i najbardziej dostępnych badań obrazowych kręgosłupa w praktyce klinicznej. Pozwala ona nie tylko na ocenę morfologii kręgów, ale może również ujawnić utajone fenotypy powiązane z przyszłym złamaniem, takie jak zmiany w blaszkach końcowych, rzadsza tekstura kostna, łagodne klinowanie oraz zaburzenia ustawienia5. Poprzednie badania koncentrowały się głównie na wykrywaniu istniejących złamań kręgów, diagnozowaniu osteoporozy lub ocenie ryzyka za pomocą wskaźników mierzonych ręcznie6,7. Niedawne dowody wykazały ponadto, że identyfikacja istniejących złamań kręgów i osteoporozy w obrazowaniu bocznym kręgosłupa za pomocą głębokiego uczenia, wraz z klinicznymi czynnikami ryzyka, może poprawić przewidywanie wystąpienia nowych złamań5; jednak dowody dotyczące przewidywania nowych złamań kręgów specjalnie u pacjentów bez złamań w badanych kręgach w punkcie wyjścia, z wykorzystaniem rutynowych radiografii bocznych odcinka piersiowo-lędźwiowego i lokalnych cech głębokiego uczenia (DL), pozostają ograniczone. Metody sztucznej inteligencji są wykorzystywane do analizy obrazowej kręgosłupa, jednak badania bezpośrednio ukierunkowane na ten konkretny scenariusz kliniczny są wciąż nieliczne, a systematyczna ocena kalibracji, korzyści netto z analizy decyzji oraz walidacja z podziałem czasowym są w tym obszarze wciąż niewystarczające8.
W związku z tym trudno jest odpowiedzieć na bardziej istotne klinicznie pytanie: czy cechy wyodrębnione metodami głębokiego uczenia z rutynowego bocznego zdjęcia rentgenowskiego odcinka piersiowo-lędźwiowego mogą dostarczyć niezależnych i znaczących informacji uzupełniających w odniesieniu do oceny ryzyka klinicznego9? Biorąc pod uwagę powyższy kontekst, w niniejszym badaniu zastosowano jednocentryczny retrospektywny projekt kohortowy, wyodrębniono cechy głębokiego uczenia z bocznego zdjęcia rentgenowskiego odcinka piersiowo-lędźwiowego i połączono je z klinicznymi czynnikami ryzyka w celu stworzenia modelu predykcji ryzyka wystąpienia złamania kręgu w ciągu 2 lat, a następnie oceniono dyskryminację, kalibrację, odporność i wartość kliniczną modelu poprzez czasową walidację wewnętrzną, korektę optymizmu metodą bootstrap oraz analizę wrażliwości. Badanie to skoncentrowano na zindywidualizowanym ostrzeganiu przed ryzykiem w ramach rutynowej diagnostyki rentgenowskiej, integrując utajone fenotypy kruchości obrazowanej miejscowo oraz systemowe informacje o podatności klinicznej w interpretowalnym narzędziu predykcyjnym, aby zapewnić podstawę do identyfikacji osób wysokiego ryzyka, zintensyfikowanego nadzoru oraz interwencji zapobiegawczych.
Dostęp ograniczony. Zaloguj się lub rozpocznij wersję próbną, aby wyświetlić tę treść.
Badanie to zostało przeanalizowane i zatwierdzone przez Komisję Etyki Medycznej Szpitala Ósmego Ludowego w Szanghaju (Shanghai Eighth People’s Hospital), Szanghaj, Chiny (numer zatwierdzenia 2026-102-03-02). Ponieważ badanie miało charakter retrospektywny, a wszystkie dane zostały zanonimizowane przed analizą, komisja etyczna zwolniła z obowiązku uzyskania świadomej zgody od pacjentów.
Projekt badania:
Typ badania
Badanie to było jednorodne retrospektywne badanie kohortowe, a baza danych została utworzona z wykorzystaniem danych z hospitalnego systemu archiwizacji i komunikacji obrazowej (PACS), systemu informacji radiologicznych (RIS) oraz elektronicznego systemu dokumentacji medycznej. Populację badania stanowili kolejni pacjenci, u których przeprowadzono cyfrowe badanie rentgenowskie kręgosłupa piersiowo-lędźwiowego w projekcji bocznej w tym szpitalu. Okres włączenia trwał od 1 stycznia 2018 r. do 31 grudnia 2023 r., a termin końcowy obserwacji wyznaczono na 31 grudnia 2025 r. Raport z badania został przygotowany zgodnie z rekomendacjami TRIPOD+AI oraz STROBE, aby zapewnić standaryzację raportowania badań nad modelami predykcyjnymi z wykorzystaniem sztucznej inteligencji oraz badań obserwacyjnych.
Warunki badania i źródło przypadku
Przypadki pozyskano w ramach rutynowego procesu diagnostyki klinicznej i leczenia pacjentów ambulatoryjnych, pacjentów oddziałów ratunkowych oraz pacjentów hospitalizowanych w szpitalu. Dane obrazowe pochodziły z oryginalnych plików DICOM w systemach PACS, natomiast dane kliniczne pobrano ze ustrukturyzowanej elektronicznej dokumentacji medycznej, systemów laboratoryjnych oraz rejestrów recept. Datę pierwszego badania RTG odcinka piersiowo-lędźwiowego w projekcji bocznej, które spełniało kryteria włączenia w okresie badania, określono jako datę wyjściową; w przypadku, gdy ten sam pacjent przeszedł wiele badań spełniających kryteria, jedynie najwcześniejsze z nich zachowano jako badanie wyjściowe, aby uniknąć wielokrotnego włączenia tego samego pacjenta. Wszystkie dane zostały zanonimizowane przed analizą, a informacje obrazowe i kliniczne dopasowano za pomocą unikalnego identyfikatora badania.
Populacja badawcza:
Kryteria włączenia
Kryteria włączenia były następujące: wiek 50 lat lub więcej; wykonanie standardowego cyfrowego badania RTG odcinka piersiowo-lędźwiowego kręgosłupa w pozycji stojącej w szpitalu w okresie trwania badania; obrazowanie wyjściowe w możliwym do prześledzenia formacie DICOM; pełna wizualizacja kręgów od T10 do L4 na obrazowaniu wyjściowym; brak istniejących złamań kręgów od T10 do L4 w ocenie obrazowania wyjściowego; możliwość wyodrębnienia określonych zmiennych klinicznych wyjściowych z elektronicznej dokumentacji medycznej; co najmniej jedno badanie kontrolne RTG, TK lub MRI odcinka piersiowo-lędźwiowego w ciągu 24 miesięcy od badania wyjściowego lub wystąpienie potwierdzonego obrazowo nowego złamania kręgu w ciągu 24 miesięcy.
Kryteria wykluczenia
Kryteria wykluczenia były następujące: złamanie kręgosłupa między T10 a L4 w punkcie wyjściowym; potwierdzony wywiad w kierunku urazu wysokoenergetycznego w punkcie wyjściowym lub podczas obserwacji; pierwotny lub przerzutowy nowotwór kręgosłupa, infekcja kręgosłupa lub destrukcyjna choroba kośćca; przebyte operacje wewnętrznej stabilizacji odcinka piersiowo-lędźwiowego, wertebroplastyka lub kifoplastyka; skolioza z kątem Cobba przekraczającym 30° lub ewidentna deformacja kifotyczna (w tym deformacja kifotyczna typu Scheuermanna, jeśli występuje), uniemożliwiająca dokładną identyfikację płyt granicznych od T10 do L4; wyraźne artefakty ruchowe, nieprawidłowa ekspozycja, przesłonięcie przez metal lub niewystarczający zakres obrazowania; brak możliwości potwierdzenia kluczowych zmiennych wyjściowych lub informacji o wyników na podstawie elektronicznej dokumentacji medycznej.
Proces tworzenia retrospektywnej kohorty
Przesiew populacji badanej został przeprowadzony niezależnie przez dwóch badaczy zgodnie z wcześniej określonymi kryteriami, a rozbieżności rozstrzygano w drodze dyskusji w celu osiągnięcia konsensusu. Po zakończeniu przesiewu przypadków dokonano grupowania szeregów czasowych według daty wyjściowej: pacjenci zakwalifikowani od 1 stycznia 2018 r. do 31 grudnia 2021 r. stanowili kohortę pochodną do selekcji cech i budowy modelu; pacjenci zakwalifikowani od 1 stycznia 2022 r. do 31 grudnia 2023 r. stanowili wewnętrzną kohortę walidacyjną do oceny wydajności modelu. Podział czasowy, zamiast podziału losowego, pozwala zredukować ryzyko wycieku informacji i jest bliższy rzeczywistemu scenariuszowi zastosowania modelu u kolejnych pacjentów. Proces przesiewu populacji badanej przedstawiono w formie schematu blokowego.
Główny punkt końcowy i sposób jego oznaczenia:
Definicja głównego punktu końcowego
Głównym punktem końcowym niniejszego badania było wystąpienie pierwszej złamania kręgów z powodu kruchości w zakresie od T10 do L4 w ciągu 24 miesięcy od badania bazowego. Okno czasowe predykcji w badaniu określono z góry na 2 lata, a wynikiem modelu było indywidualne prawdopodobieństwo ryzyka wystąpienia złamania kręgów w ciągu 2 lat.
Kryteria ustalenia wystąpienia świeżego złamania kręgu
Nowe złamanie kręgu zdefiniowano w następujący sposób: w stosunku do obrazowania wyjściowego, obrazowanie kontrolne wykazało zmniejszenie wysokości przedniej, środkowej lub tylnej dowolnego trzonu kręgu od T10 do L4 o 20% lub więcej, przy bezwzględnym zmniejszeniu wysokości o co najmniej 4 mm, lub pojawienie się nowego zapadnięcia płyty granicznej bądź przerwania ciągłości kory kostnej10. Określenie wyniku przeprowadzono kompleksowo na podstawie kontrolnego rentgena odcinka piersiowo-lędźwiowego, TK oraz MRI. Opis obrazów wykonali niezależnie dwaj radiolodzy specjalizujący się w układzie mięśniowo-szkieletowym, posiadający odpowiednio 8 i 12 lat doświadczenia diagnostycznego; żaden z nich nie miał dostępu do danych klinicznych ani wyników modelu podczas opisu obrazów; w przypadku rozbieżności rozstrzygnięcie podejmował starszy radiolog specjalizujący się w układzie mięśniowo-szkieletowym z 18-letnim doświadczeniem. Złamania kręgów spowodowane nowotworem, infekcją lub urazem wysokoenergetycznym nie były wliczane jako zdarzenia końcowe.
Punkt początkowy, punkt końcowy i okno obserwacyjne obserwacji kontrolnych
Punktem początkowym obserwacji była data bazowego badania rentgenowskiego odcinka piersiowo-lędźwiowego kręgosłupa w projekcji bocznej. Końcowy punkt obserwacji zdefiniowano jako najwcześniejszy z następujących momentów: datę wystąpienia pierwszej złamanej kręga, 24 miesiące po badaniu bazowym, datę ostatniego badania obrazowego kręgosłupa potwierdzającego brak złamań kręgów lub datę zgonu. Złamania, które pojawiły się po upływie 24 miesięcy, nie zostały włączone do głównego punktu końcowego. Pacjentów, u których nie wystąpiły zdarzenia końcowe, potraktowano jako dane cenzurowane.
Gromadzenie danych klinicznych i definiowanie potencjalnych zmiennych klinicznych:
Dane demograficzne i ogólne dane kliniczne
Podstawowe dane kliniczne zostały wyekstrahowane z elektronicznego systemu dokumentacji medycznej przez dwóch badaczy zgodnie z jednolitym formularzem raportowania przypadków, bez przeglądania wyników określenia punktu końcowego podczas ekstrakcji. Zebrane dane demograficzne i ogólne dane kliniczne obejmowały wiek, płeć, wzrost, masę ciała oraz indeks masy ciała. Wiek określono jako rzeczywisty wiek w dacie bazowej; masę ciała i wzrost pobrano z wpisu najbliższego dacie bazowej w przedziale 30 dni przed lub po tej dacie; indeks masy ciała obliczono jako masę ciała podzieloną przez kwadrat wzrostu, w kilogramach na metr kwadratowy.
Historia medyczna, stosowanie leków i dane dotyczące metabolizmu kostnego
Biorąc pod uwagę dostępność kliniczną i uogólnialność modelu, do analizy wstępnie wyznaczono następujące potencjalne kliniczne czynniki ryzyka: historię wcześniejszych złamań fragilnych, cukrzycę typu 2, reumatoidalne zapalenie stawów, przewlekłe stosowanie glikokortykosteroidów doustnych oraz wyjściowe leczenie przeciwosteoporotyczne. Standaryzowane pomiary wyjściowej gęstości mineralnej kości oraz wynik FRAX nie zostały wstępnie wyznaczone jako kandydaci na predyktory, ponieważ nie były one jednolicie dostępne jako standaryzowane zmienne wyjściowe w całej kohorcie; zamiast tego kilka klinicznych czynników powiązanych z FRAX rozpatrywano oddzielnie jako indywidualne zmienne kandydujące. Historia wcześniejszych złamań fragilnych, rozpoznania chorób współistniejących oraz informacje o lekach zostały pobrane z elektronicznej dokumentacji medycznej, kart wypisowych i systemów recept przed okresem wyjściowym; wymagano, aby wszystkie zmienne istniały przed tym okresem, co miało zapewnić, że predyktory poprzedzały czasowo zdarzenie końcowe.
Kryteria definicji zmiennych klinicznych
Poprzedny wywiad w kierunku złamań fragilnych zdefiniowano jako złamanie występujące po 40. roku życia, spowodowane urazem o niskiej energii i wyraźnie odnotowane w dokumentacji medycznej; w definicji tej nie uwzględniono złamań czaszki, kości twarzy, palców rąk i palców stóp. Cukrzycę typu 2 zdefiniowano jako wyraźną diagnozę odnotowaną przed określeniem wartości bazowych lub długotrwałe stosowanie leków przeciwcukrzycowych. Reumatoidalne zapalenie stawów zdefiniowano jako wyraźną diagnozę postawioną przez specjalistę reumatologa w dokumentacji medycznej. Przewlekłe doustne stosowanie glikokortykosteroidów zdefiniowano jako dawkę ekwiwalentu prednizonu nie mniejszą niż 5 mg/d przez nie mniej niż 3 miesiące w ciągu roku przed określeniem wartości bazowych. Leczenie przeciwosteoporotyczne w punkcie wyjścia zdefiniowano jako ciągłe stosowanie bisfosfonianów, denosumabu, teriparatydu, raloksifenu, kalcytoniny, alfacalcydolu lub kalcytrolu w ciągu 3 miesięcy przed określeniem wartości bazowych, przez okres nie krótszy niż 8 tygodni. W modelowaniu wiek oraz wskaźnik masy ciała traktowano jako zmienne ciągłe i nie poddawano ich sztucznej kategoryzacji.
Pozyskiwanie danych obrazowych i przetwarzanie wstępne obrazów
Protokół akwizycji RTG odcinka piersiowo-lędźwiowego w projekcji bocznej
Wszystkie obrazy wyjściowe były standardowymi zdjęciami rentgenowskimi odcinka piersiowo-lędźwiowego w projekcji bocznej w pozycji stojącej, wykonanymi za pomocą szpitalnego cyfrowego systemu radiograficznego. Podczas badania pacjenci przyjmowali naturalną pozycję stojącą, z obiema górnymi kończynami zgiętymi do przodu w celu zmniejszenia nakładania się obręczy barkowej, a zakres obrazowania obejmował od T10 do L4. Do badania wykorzystano automatyczną kontrolę ekspozycji, z zakresem napięcia lampy od 80–95 kV i odległością od źródła do detektora wynoszącą 110 cm. W przypadku tego samego pacjenta, gdy w dacie wyjściowej dostępnych było wiele kwalifikujących się radiogramów bocznych, jako obiekt analizy wybrano ten o pełnym zakresie obrazowania i najlepszej jakości obrazu.
Kryteria włączenia obrazów i kontrola jakości
Obrazy wyjściowe musiały spełniać następujące wymagania dotyczące jakości: pełna wizualizacja kręgów od T10 do L4 oraz ich górnych i dolnych płytek granicznych; wyraźne przednie i tylne krawędzie kręgów, płytki graniczne i granice korowe; brak wyraźnych artefaktów ruchowych; brak silnej prześwietlenia lub niedoświetlenia; brak obszernych przesłonięć metalicznych oraz brak wyraźnych zniekształceń morfologicznych spowodowanych rotacją ciała. Wykluczono również obrazy z silnymi zmianami degeneracyjnymi lub osteofitami, które uniemożliwiały wiarygodną identyfikację krawędzi kręgów lub płytek granicznych. Dwóch radiologów specjalizujących się w układzie mięśniowo-szkieletowym przeprowadziło przegląd jakości wszystkich obrazów wyjściowych, a każdy obraz niespełniający któregokolwiek z kluczowych kryteriów jakości został wykluczony.
Preprocessing i standaryzacja obrazów
Wszystkie obrazy DICOM zostały zanonimizowane przed analizą. Etapy preprocessingu obejmowały ujednolicenie orientacji obrazów, resampling do rozdzielczości przestrzennej 0.30 mm × 0.30 mm, przycięcie wartości poziomów szarości między 0.5tym a 99.5tym percentylem oraz standaryzację wartości pikseli do przedziału 0–1 przy użyciu metody normalizacji min-max. Powyższy schemat preprocessingu był spójny w kohorcie pochodnej oraz kohorcie walidacyjnej i został w całości wykonany automatycznie za pomocą uprzednio określonych skryptów, aby zredukować błędy wynikające z operacji manualnych.
Ekstrakcja cech obrazowania za pomocą głębokiego uczenia:
Wyznaczenie obszaru zainteresowania
Obszarem zainteresowania (ROI) była boczna projekcja kręgosłupa między górną płytką graniczną kręgu T10 a dolną płytką graniczną kręgu L4. Radiolog specjalizujący się w układzie mięśniowo-szkieletowym z 8-letnim doświadczeniem wykonał adnotację w formie prostokątnych ramek dla wszystkich obrazów wyjściowych w oprogramowaniu ITK-SNAP, przy czym granicę przednią wyznaczono 5 mm przed przednią krawędzią kręgów, a granicę tylną 5 mm za tylną krawędzią kręgów11; drugi radiolog specjalizujący się w układzie mięśniowo-szkieletowym z 12-letnim doświadczeniem zweryfikował obrazy w każdym przypadku z osobna. ROI stanowił prostokątny obszar na poziomie regionu, a nie ścisła segmentacja konturu kręgów; w związku z tym powszechne marginalne osteofity nie były usuwane osobno i mogły zostać częściowo włączone, jeśli mieściły się w określonej granicy, natomiast przypadki ze zmianami degeneracyjnymi na tyle nasilonymi, by przesłaniać krawędzie kręgów lub płytki graniczne, zostały wcześniej wykluczone podczas oceny jakości obrazu. Aby ocenić powtarzalność adnotacji obszarów, losowo wybrano 50 obrazów, które zostały ponownie zaadnotowane przez tego samego radiologa po 4 tygodniach oraz niezależnie zaadnotowane przez drugiego radiologa w celu późniejszej analizy stabilności cech. Po wycięciu ROI wszystkie obrazy zostały ujednolicone do rozmiaru 224 × 224 pikseli.
Architektura modelu głębokiego uczenia i proces ekstrakcji cech
W niniejszym badaniu wykorzystano splotową sieć neuronową ResNet50 jako ekstraktor cech głębokiego uczenia. Parametry sieci zainicjowano wagami wstępnie wytrenowanymi na zbiorze ImageNet, a następnie przeprowadzono samonadzorowaną adaptację domeny na wszystkich bazowych obrazach ROI w kohorcie pochodzenia, bez wykorzystania etykiet wyników podczas procesu adaptacji. W szczególności zastosowano kontrastowe zadanie samonadzorowane, w którym dwa niezależnie augmentowane widoki wygenerowane z tego samego obrazu ROI traktowano jako parę pozytywną, natomiast widoki od różnych pacjentów w obrębie tej samej mini-wsady traktowano jako pary negatywne, aby enkoder mógł dostosować się do rozkładu obrazów w badaniu. Trenowanie modelu przeprowadzono przy użyciu optymalizatora AdamW, z początkową prędkością uczenia ustawioną na 1 × 10^-4, rozmiarem wsady 64 i 200 epokami treningowymi; podczas uczenia przeprowadzono augmentację danych poprzez rotację ±5°, skalowanie 0,9–1,1-krotne, translację nieprzekraczającą 10 pikseli oraz perturbację kontrastu o ±10%12. Augmentacje te służyły do generowania par widoków dla zadania samonadzorowanego, a na tym etapie wykorzystano wyłącznie nieetykietowane obrazy z kohorty pochodzenia. Po adaptacji domeny nie przeprowadzono dostrajania nadzorowanego przez wyniki, a zaadaptowany enkoder szkieletowy został zamrożony do ekstrakcji cech. Po zakończeniu adaptacji domeny, wektor wyjściowy o wymiarze 2 048 z warstwy globalnego uśredniania pulingu (global average pooling) został wyekstrahowany jako kandydujące cechy głębokiego uczenia dla każdego pacjenta.
Przesiewowe badanie cech obrazowania i redukcja wymiarowości
W pierwszej kolejności, na podstawie 50 obrazów z powtórzoną adnotacją, obliczono współczynnik korelacji wewnątrzklasowej (ICC) cech; zachowano cechy, dla których ICC wewnątrz- i międzyobserwatorowi nie było niższe niż 0,80, aby zapewnić stabilność cech przy niewielkich zmianach ROI. Następnie zachowane cechy zostały zestandaryzowane metodą Z-score w kohorcie pochodnej, usunięto cechy o zerowej wariancji, a w przypadku cech o bezwzględnym współczynniku korelacji parzystej większym niż 0,90, zachowano tylko jedną z nich. Ostatecznie do selekcji cech wykorzystano regresję LASSO-Cox, a parametr kary określono za pomocą 10-krotnej walidacji krzyżowej zgodnie z kryterium 1-SE. Cechy z niezerowymi współczynnikami regresji zostały zważone i zsumowane zgodnie z ich współczynnikami w celu zbudowania wyniku głębokiego uczenia (DL score)13. Po ustaleniu tej formuły punktowej w kohorcie pochodnej, została ona ustalona na stałe i bezpośrednio zastosowana do wewnętrznej kohorty walidacyjnej.
Wstępne przetwarzanie i integracja potencjalnych predyktorów:
Obsługa brakujących danych i standaryzacja danych
Wszystkie potencjalne zmienne kliniczne pozyskano z ustrukturyzowanych pól dokumentacji medycznej. Z procesu modelowania wykluczono zmienne, w których odsetek brakujących danych przekraczał 20%. Pozostałe brakujące wartości uzupełniono metodą wielokrotnej imputacji za pomocą łańcuchowych równań, generując 10 zestawów danych z imputacją; model imputacji obejmował wszystkie potencjalne predyktory, zmienną wskaźnikową wyniku oraz estymację skumulowanej funkcji ryzyka Nelsona-Aalena, aby w maksymalnym stopniu zachować informacje o czasie do wystąpienia zdarzenia. Ciągłe zmienne kliniczne oraz wynik DL zostały zestandaryzowane przy użyciu średniej i odchylenia standardowego kohorty wyprowadzającej, a te same parametry transformacji zastosowano do kohorty walidacyjnej; zmienne binarne zakodowano jednolicie jako 0 lub 1.
Wybór klinicznych czynników ryzyka
Wstępne określenie potencjalnych klinicznych czynników ryzyka oparto na interpretowalności klinicznej, wcześniejszych dowodach oraz dostępności danych; nie zastosowano przesiewowej analizy jednowymiarowej wartości P. Zmienne kliniczne wprowadzone do selekcji LASSO-Cox obejmowały wiek, płeć, wskaźnik masy ciała, historię wcześniejszych złamań fragilnych, cukrzycę typu 2, reumatoidalne zapalenie stawów, przewlekłe stosowanie glikokortykosteroidów doustnych oraz wyjściowe leczenie przeciwosteoporotyczne; wzrost i wagę zebrano opisowo i wykorzystano do wyliczenia wskaźnika masy ciała, ale nie wprowadzano ich oddzielnie do modelowania. Regresję LASSO-Cox przeprowadzono oddzielnie w 10 imputowanych zbiorach danych kohorty pochodzenia, a parametr kary wybrano za pomocą 10-krotnej walidacji krzyżowej; do końcowego modelu klinicznego włączono zmienne z niezerowymi współczynnikami w co najmniej 7 imputowanych zbiorach danych. Wiek oraz wskaźnik masy ciała poddano testom pod kątem zależności nieliniowych z wykorzystaniem ograniczonych wielomianów trzeciego stopnia (restricted cubic splines); jeśli człon nieliniowy nie był istotny statystycznie, zachowano formę liniową. Multikolinearność oceniono za pomocą współczynnika inflacji wariancji (variance inflation factor), a zmienne o współczynniku inflacji wariancji większym niż 5 nie były zachowywane jednocześnie.
Budowa połączonego zestawu predyktorów
Aby uniknąć przeuczenia wynikającego z bezpośredniego wprowadzenia do modelu wysokowymiarowych cech obrazowania, informacje z głębokiego uczenia zostały najpierw skompresowane do jednej zmiennej ciągłej, tzw. wyniku DL (DL score), a następnie wspólnie wprowadzone do modelowania złożonego wraz z wybranymi klinicznymi czynnikami ryzyka. W modelu złożonym nie określono wcześniej żadnych członów interakcji, aby zachować oszczędność i interpretowalność modelu. Końcowy zestaw predyktorów złożonych składał się z wyniku DL oraz zachowanych zmiennych klinicznych.
Budowa modelu predykcji ryzyka:
Strategia modelowania
W kohorcie pochodzenia oddzielnie opracowano model kliniczny, model głębokiego uczenia oraz model łączony. W modelach zastosowano regresję proporcjonalnych hazardów Coxa, przyjmując za punkt końcowy badania pierwsze wystąpienie kruchego złamania kręgu w ciągu 24 miesięcy od wizyty bazowej; zasady cenzurowania opisano w powyższej definicji obserwacji. Aby zapobiec nadmiernemu dopasowaniu (overfitting), przed modelowaniem ograniczono złożoność modelu łączonego i w miarę możliwości utrzymano stosunkowo wysoką wartość stosunku liczby zdarzeń do liczby parametrów. Końcowe współczynniki regresji i błędy standardowe dla każdego modelu oszacowano oddzielnie w 10 zbiorach danych po imputacji, a następnie połączono zgodnie z regułami Rubina. Funkcję hazardu bazowego oszacowano metodą Breslowa, a następnie obliczono indywidualne prawdopodobieństwo ryzyka w okresie 2 lat.
Budowa modelu klinicznego
Model kliniczny obejmował kliniczne czynniki ryzyka wyłonione po zastosowaniu selekcji metodą LASSO-Cox. Wszystkie zmienne ciągłe zachowano w formie ciągłej i nie poddawano ich dychotomizacji. Po dopasowaniu modelu przetestowano założenie o proporcjonalności hazardu przy użyciu reszt Schoenfelda; w przypadku zmiennych niespełniających tego założenia, w celu korekty dodano człon interakcji z ln(time). Model kliniczny wykorzystano do oceny zdolności predykcyjnej tradycyjnych informacji klinicznych w odniesieniu do wystąpienia złamań kręgów.
Konstrukcja modelu obrazowania opartego na głębokim uczeniu
Model głębokiego uczenia opracowano jako model proporcjonalnych hazardów Coxa, wykorzystując wynik DL jako jedyny predyktor, aby ilościowo ocenić zdolność cech głębokiego uczenia z bazowej rentgenografii bocznej odcinka piersiowo-lędźwiowego kręgosłupa do przewidywania ryzyka wystąpienia złamania kręgów w ciągu 2 lat. Model ten nie uwzględniał żadnych informacji klinicznych, pełniąc tym samym rolę unimodalnego modelu obrazowego do porównania z innymi modelami.
Budowa modelu połączonego
Model łączony uwzględnił dodatkowo wynik DL na podstawie modelu klinicznego, tworząc kompleksowy model predykcyjny oparty na cechach głębokiego uczenia z bocznego zdjęcia rentgenowskiego odcinka piersiowo-lędźwiowego w połączeniu z klinicznymi czynnikami ryzyka. Po opracowaniu modelu łączonego, na podstawie jego współczynników regresji sporządzono nomogram ryzyka 2-letniego w celu zindywidualizowanej oceny ryzyka oraz prezentacji zastosowań klinicznych.
Wewnętrzna walidacja i ocena wydajności modelu:
Metoda walidacji wewnętrznej
W ramach walidacji wewnętrznej zastosowano strategię czasowo rozdzielonej walidacji wewnętrznej w jednym ośrodku. Wszystkie modele opracowane w kohorcie pochodnej zostały bezpośrednio zastosowane do kohorty walidacyjnej, rekrutowanej od 1 stycznia 2022 r. do 31 grudnia 2023 r., po ustaleniu parametrów, bez ponownego dopasowania. Dodatkowo w kohorcie pochodnej przeprowadzono 1 000 prób bootstrapowych w celu uzyskania szacunków wydajności skorygowanych o optymizm, aby ocenić stabilność modelu.
Ocena dyskryminacji
Dyskryminację modelu oceniano za pomocą indeksu konkordancji Harrella oraz 2-letniej zależnej od czasu AUC obliczonej w oparciu o metodę ważenia odwrotnością prawdopodobieństwa cenzurowania, w obu przypadkach z podaniem 95% przedziałów ufności. Wyższa dyskryminacja wskazuje, że model lepiej odróżnia osoby, u których w przyszłości wystąpią nowe złamania kręgów, od tych, u których one nie wystąpią. Różnice w dyskryminacji między modelami obliczono metodą bootstrap z 95% przedziałami ufności.
Ocena kalibracji
Kalibrację modelu oceniono za pomocą krzywej kalibracji ryzyka 2-letniego, punktu przecięcia kalibracji, nachylenia kalibracji oraz wyniku Brier score dla 2 lat. Krzywą kalibracji wykreślono na podstawie decyli przewidywanego ryzyka i skorygowano metodą bootstrap. Punkt przecięcia kalibracji bliski 0, nachylenie kalibracji bliskie 1 oraz niższy wynik Brier score wskazują na dobrą zgodność między ryzykiem przewidywanym a faktycznie zaobserwowanym.
Ocena wartości zastosowania klinicznego
Wartość kliniczna modelu została oceniona za pomocą 2-letniej analizy krzywych decyzyjnych, porównując korzyść netto przy różnych prawdopodobieństwach progowych. Zakres prawdopodobieństwa progowego określono wcześniej jako 0,05–0,30, aby objąć przedział ryzyka, który może być stosowany klinicznie w przypadku intensyfikowanej obserwacji, dalszej oceny kośćca lub zarządzania interwencją14. Przyjęto, że model z wyższą korzyścią netto posiada lepszą wartość w zakresie wspierania decyzji klinicznych.
Porównanie modeli i wyznaczenie najlepszego modelu
Model kliniczny, model głębokiego uczenia oraz model łączony zostały poddane kompleksowemu porównaniu pod kątem dyskryminacji, kalibracji, wyniku Briera oraz krzywej decyzyjnej. Zysk modelu łączonego w stosunku do modelu klinicznego określono ponadto za pomocą 2-letniego zależnego od czasu wskaźnika poprawy reklasyfikacji netto (net reclassification improvement) oraz zintegrowanego wskaźnika poprawy dyskryminacji (integrated discrimination improvement). Jako najlepszy model zdefiniowano model, który jednocześnie wykazywał wyższą dyskryminację, dobrą kalibrację, niższy błąd predykcji oraz większą korzyść netto.
Analiza statystyczna:
Zmienne ciągłe zostały początkowo ocenione pod kątem rozkładu za pomocą testu Shapiro-Wilka; zmienne o rozkładzie normalnym przedstawiono jako średnią ± odchylenie standardowe, natomiast zmienne o rozkładzie skośnym jako medianę i rozstęp międzykwartylny; zmienne kategoryczne przedstawiono jako liczbę przypadków i procent. Porównania charakterystyki wyjściowej między kohortą pochodną a kohortą walidacyjną przeprowadzono odpowiednio za pomocą testu t dla prób niezależnych, testu U Manna-Whitneya, testu χ2 lub dokładnego testu Fishera. Porównania wyjściowe służyły wyłącznie do opisania charakterystyki kohort i nie stanowiły podstawy do wyboru zmiennych. Wszystkie testy statystyczne były dwustronne, a wartość P < 0,05 uznano za istotną statystycznie. Analizy statystyczne wykonano w środowisku R, głównie z wykorzystaniem pakietów survival, glmnet, mice, rms, timeROC oraz rmda; wstępne przetwarzanie obrazów i analiza głębokiego uczenia zostały przeprowadzone w środowisku Python i PyTorch. Aby ocenić odporność wyników, dodatkowo przeprowadzono analizę przypadków kompletnych jako analizę wrażliwości.
Dostęp ograniczony. Zaloguj się lub rozpocznij wersję próbną, aby wyświetlić tę treść.
Proces tworzenia retrospektywnej kohorty oraz charakterystyka wyjściowa kohort
W okresie badania pobrano zapisy zdjęć rentgenowskich odcinka piersiowo-lędźwiowego w projekcji bocznej, a po usunięciu duplikatów do przesiewu zakwalifikowano 6 114 pacjentów. Po stopniowym wykluczeniu pacjentów w wieku < 50 lat, osób z istniejącymi złamaniami w punkcie wyjściowym oraz osób z niewystarczającym okresem obserwacji, ostatecznie włączono 2 173 pacjentów, w tym 1 449 w kohorcie wypro...
Dostęp ograniczony. Zaloguj się lub rozpocznij wersję próbną, aby wyświetlić tę treść.
Model łączony zachował optymalną wydajność po korekcie optymizmu i czasowej walidacji wewnętrznej, co sugeruje, że cechy głębokiego uczenia z bocznej RTG odcinka piersiowo-lędźwiowego nie były jedynie powtórzeniem informacji klinicznych, lecz mogły dostarczyć niezależnych i weryfikowalnych dodatkowych informacji dla oceny ryzyka wystąpienia złamania kręgów w ciągu 2 lat. Jego znaczenie polega na włączeniu tła ogólnoustrojowej kruchości oraz lokalnej kruchości strukturalnej kręgosłupa do tego samego modelu predykcyjnego. ...
Dostęp ograniczony. Zaloguj się lub rozpocznij wersję próbną, aby wyświetlić tę treść.
Autorzy oświadczają, że nie mają żadnych konfliktów interesów.
Autorzy dziękują personelowi szpitala, w którym przeprowadzono badanie, za wsparcie w zakresie wyszukiwania obrazów, ekstrakcji danych oraz zarządzania danymi. Autorzy dziękują również wszystkim klinicystom i technikom radiologii zaangażowanym w opiekę nad pacjentami i akwizycję obrazów. Badanie to było finansowane przez Medical Research Project in Xuhui District in 2024(SHXH202405).
Dostęp ograniczony. Zaloguj się lub rozpocznij wersję próbną, aby wyświetlić tę treść.
| Nazwa | Firma | Numer katalogowy | Komentarze |
|---|---|---|---|
| pakiet glmnet | CRAN | N/D | Wykorzystywany do analizy regresji LASSO-Cox. |
| ITK-SNAP | University of Pennsylvania / ITK-SNAP Project | N/D | Wykorzystywany do adnotacji ROI na obrazach bazowych. |
| pakiet mice | CRAN | N/D | Wykorzystywany do wielokrotnej imputacji. |
| Python | Python Software Foundation | wersja 3.10 | Wykorzystywany do wstępnego przetwarzania obrazów i analizy głębokiego uczenia. |
| PyTorch | PyTorch Foundation / Linux Foundation | wersja 2.1 | Wykorzystywany do opracowania modelu głębokiego uczenia i ekstrakcji cech. |
| R version | R Foundation for Statistical Computing | wersja 4.3.2 | Wykorzystywany do analizy statystycznej. |
| pakiet rmda | CRAN | N/D | Wykorzystywany do analizy krzywej decyzji. |
| pakiet rms | CRAN | N/D | Wykorzystywany do opracowania modelu i analizy kalibracji. |
| pakiet survival | CRAN | N/D | Wykorzystywany do analizy regresji proporcjonalnego hazardu Coxa. |
| pakiet timeROC | CRAN | N/D | Wykorzystywany do analizy AUC zależnej od czasu. |
Dostęp ograniczony. Zaloguj się lub rozpocznij wersję próbną, aby wyświetlić tę treść.