Introduction
Les fractures vertébrales par compression (FVC) représentent un problème clinique fréquent, mais la distinction entre les variantes bénignes aiguës et les fractures pathologiques malignes reste un défi diagnostique persistant. Cette étude vise à développer et valider un nomogramme basé sur l’IRM combinant des signatures cliniques et radiomiques d’apprentissage profond (DLR) pour différencier les FVC bénignes des malignes.
Méthodologie
Une étude de cohorte rétrospective a été menée sur 234 patients atteints de FVC, répartis aléatoirement en ensembles d’entraînement et de test selon un ratio de 7:3. Les caractéristiques radiomiques (Rad) ont été extraites à l’aide de techniques traditionnelles, tandis que les caractéristiques d’apprentissage profond 2.5D ont été obtenues via le modèle ResNet50. Ces caractéristiques ont été fusionnées pour construire des modèles DLR. Huit architectures d’apprentissage automatique ont été intégrées pour établir un cadre prédictif, aboutissant à une échelle d’évaluation des risques visualisée basée sur des données multimodales. La performance des modèles a été évaluée à l’aide de la courbe ROC.
Résultats
Le modèle Rad autonome utilisant ExtraTrees a atteint un AUC de 0.801 dans le test, tandis que le modèle DL a obtenu une valeur AUC de 0.805. Le modèle DLR a démontré une supériorité de performance, avec des valeurs AUC de 0.971 dans l’ensemble d’entraînement et 0.828 dans l’ensemble de test. La performance de ce modèle a été améliorée lorsqu’il a été combiné avec des caractéristiques cliniques et IRM pour former le nomogramme DLRN, atteignant des valeurs AUC de 0.981 dans l’ensemble d’entraînement et 0.871 dans l’ensemble de test.
Discussion
Notre étude intègre des radiomiques faites à la main, des caractéristiques d’apprentissage profond 2.5D et des données cliniques dans un nomogramme (DLRN). Cette approche améliore non seulement la précision diagnostique mais offre également une utilité clinique supérieure. Le cadre DL 2.5D novateur et la stratégie de fusion de caractéristiques représentent des avancées significatives dans le domaine, offrant un outil robuste pour les radiologues afin de différencier les FVC bénignes des malignes.
Contexte Clinique
Les FVC sont une condition clinique courante caractérisée par des douleurs dorsales aiguës ou chroniques, une incapacité fonctionnelle, une qualité de vie diminuée et des taux de mortalité élevés. Bien que l’ostéoporose, le traumatisme mécanique et l’infiltration néoplasique soient des facteurs étiologiques primaires, les FVC non traumatiques chez les personnes âgées se manifestent souvent comme des fractures ostéoporotiques ou des lésions liées à des tumeurs. La distinction entre les FVC bénignes et malignes reste difficile en raison des caractéristiques d’imagerie qui se chevauchent, en particulier pour les cliniciens ayant une expertise limitée.
Importance de l’IRM
L’imagerie par résonance magnétique (IRM) est essentielle pour évaluer les maladies de la colonne vertébrale. La résolution supérieure des tissus mous de l’IRM a conduit à de bonnes performances dans la détection des anomalies de la moelle osseuse, et son efficacité diagnostique notable pour les FVC malignes a été établie dans des recherches antérieures. Diverses caractéristiques de l’IRM, telles que l’intensité du signal et la masse, aident à différencier les FVC bénignes aiguës des malignes. Cependant, ces caractéristiques ne sont pas définitives en raison des variations similaires et de leur complexité dans la moelle.
Radiomique et Apprentissage Profond
La radiomique permet l’extraction à haut débit de caractéristiques d’imagerie quantitatives pour une meilleure caractérisation des maladies. Dans les maladies orthopédiques, la radiomique a émergé comme un outil puissant pour décoder les motifs pathologiques invisibles à l’œil humain. Combinées avec des algorithmes d’apprentissage automatique, les caractéristiques radiomiques peuvent être transformées en modèles prédictifs qui améliorent la précision diagnostique au-delà de l’évaluation visuelle seule. Récemment, l’apprentissage profond, en particulier les réseaux de neurones convolutifs (CNN), a révolutionné les tâches de reconnaissance d’images en apprenant automatiquement des caractéristiques hiérarchiques à partir de données brutes.
Conclusion
Cette recherche indique que le modèle DLR, qui intègre la fusion de caractéristiques à partir de données IRM, surpasse les modèles cliniques, les modèles radiomiques traditionnels et les modèles DL 2.5D dans la différenciation des FVC bénignes des malignes. L’incorporation de paramètres cliniques et IRM améliore encore l’efficacité du DLRN. Cette approche a un potentiel significatif pour soutenir les initiatives de médecine de précision dans la pratique clinique.
🔗 **Fuente:** https://www.frontiersin.org/journals/oncology/articles/10.3389/fonc.2025.1603672/full