El algoritmo de aprendizaje profundo basado en TC diferencia con precisión las fracturas vertebrales benignas de las malignas

Se espera que el aumento de la población que envejece dé como resultado un aumento correspondiente en la prevalencia de fracturas vertebrales que pueden causar dolor de espalda o compromiso neurológico, lo que lleva a un deterioro de la función o discapacidad. Clínicamente, las fracturas vertebrales benignas y malignas no se distinguen porque normalmente ocurren sin un traumatismo adecuado. La tomografía computarizada desempeña un papel clave a la hora de distinguir entre fracturas vertebrales benignas y malignas debido a la amplia disponibilidad de la tecnología y su capacidad para representar líneas de fractura en diferentes planos reconstruidos. Sin embargo, distinguir entre fracturas vertebrales benignas y malignas sigue siendo un desafío con la TC sola. Ahora, un nuevo estudio ha demostrado que los modelos de aprendizaje profundo basados en TC pueden discriminar eficazmente las fracturas vertebrales benignas de las malignas. El estudio encontró que los modelos funcionaron mejor o similar que los residentes de radiología y tan buenos como los de un radiólogo capacitado.

En el estudio, investigadores de la Universidad Técnica de Múnich (TUM, Múnich, Alemania) examinaron si los modelos de aprendizaje profundo basados en TC podían diferenciar de forma fiable entre fracturas vertebrales benignas y malignas. El estudio identificó retrospectivamente tomografías computarizadas obtenidas entre junio de 2005 y diciembre de 2022 de pacientes con fracturas vertebrales benignas o malignas según un estándar de referencia compuesto que incluía información histopatológica y radiológica. Los investigadores seleccionaron al azar un conjunto de pruebas internas y obtuvieron un conjunto de pruebas externas de otro hospital.

Imagen: ilustración ejemplar del proceso de etiquetado y segmentación (foto cortesía de TUM)

Los modelos de aprendizaje profundo basados en CT utilizaron una arquitectura de codificador-clasificador tridimensional U-Net y aplicaron aumento de datos durante el entrenamiento. Los investigadores evaluaron el rendimiento de los modelos utilizando el área bajo la curva característica operativa del receptor (AUC) y lo compararon con el de dos residentes y un radiólogo capacitado utilizando la prueba DeLong. El estudio reveló que los modelos desarrollados tenían un alto poder discriminatorio para diferenciar entre fracturas vertebrales benignas y malignas. Su desempeño superó o igualó al de los residentes de radiología e igualó al de un radiólogo capacitado.

Enlaces relacionados:
tum