Un modèle d’IA prédit le risque de fracture à l’aide de scintigraphies osseuses

Selon une étude publiée le 19 octobre dans JBMR Plus.

L’objectif est de développer une IA qui pourrait servir d’outil de dépistage, ont écrit l’auteur principal Damith Senanayake, PhD, de l’Université de Melbourne, et ses collègues.

“Une prédiction précise des événements de fracture pourrait déclencher des stratégies préventives rapides, qui se sont révélées efficaces pour réduire le nombre d’événements et leurs conséquences dévastatrices”, ont écrit les chercheurs.

Les scans DEXA sont l’une des techniques d’imagerie les plus fréquemment utilisées pour calculer la densité minérale osseuse (DMO) et l’étalon-or actuel pour diagnostiquer l’ostéoporose. Cependant, le calcul du risque de fracture à l’aide des caractéristiques de l’image DEXA est rarement effectué en raison de l’analyse complexe des données requise. Les cliniciens fondent plutôt souvent le risque sur le fait que les personnes ont subi ou non des chutes, ont noté les chercheurs.

Ainsi, le but de cette étude était d’utiliser la technologie de l’IA avec des images DEXA et des informations cliniques sur les patients pour évaluer le risque de fracture dans un groupe de chuteurs et de témoins sains du même âge.

Les chercheurs ont notamment utilisé une approche relativement nouvelle. Ils ont combiné un modèle de transformateur de vision (ViT) avec un réseau neuronal convolutif standard (VGG-16 et Resnet-50). Ces technologies sont apparues séparément comme moyens d’identifier, de classer et de segmenter des objets dans des images. Les preuves suggèrent désormais qu’elles sont plus puissantes lorsqu’elles sont utilisées ensemble que l’une ou l’autre approche utilisée seule, a écrit le groupe.

Pour obtenir des données, les chercheurs ont rassemblé des images DEXA du corps entier, ainsi que des images isolées de la hanche, de l’avant-bras et de la colonne vertébrale (1 488 au total), provenant de 478 chuteurs et de 48 témoins non-chuteurs. Les données du modèle comprenaient des repères d’ostéoporose sur les scans, des mesures de DMO de la hanche et de la colonne lombaire, ainsi que des variables cliniques, telles que les niveaux de vitamine D et de calcium.

Visualisation des résultats EigenGradCAM (A) et GradCAM (B) illustrant l’association entre la classification des groupes de fractures et les caractéristiques de l’image DXA pour les sujets à risque de fracture modéré. Ci-dessous sont présentées les trois images de confiance la plus élevée avec des étiquettes prévues pour des classifications correctes, qui variaient entre 85 %
à 92 % de confiance. Image gracieuseté de JBMR Plus.

Les chercheurs ont divisé l’ensemble de données complet en deux groupes aléatoires de données, un ensemble comprenant 90 % des images pour entraîner le modèle et un ensemble de tests de rétention avec les 10 % d’images restants. L’évaluation était basée sur la précision du modèle pour classer le risque de fracture faible, modéré ou élevé sur l’imagerie.

Selon les premiers résultats, le modèle a correctement classé le risque avec une aire moyenne sous la courbe caractéristique de fonctionnement du récepteur de 74,3 %.

En fin de compte, l’étude montre que les réseaux neuronaux artificiels, ainsi que les images DEXA et les données cliniques des patients des chuteurs, peuvent être utilisés pour classer le risque de fracture avec des niveaux élevés de précision, ont écrit les chercheurs.

Des recherches supplémentaires sont justifiées, ont-ils noté.

“Dans les recherches futures, des ensembles de données d’images à haute résolution plus grands pourraient améliorer davantage l’évaluation du risque de fracture et fournir des possibilités pour des cartes d’activation de classe basées sur un gradient pour identifier les régions d’intérêt basées sur l’image sur les analyses DEXA qui sont indicatives du risque de fracture”, a conclu le groupe.

L’article complet est disponible ici.