Resumen
En este estudio, presentamos un modelo de aprendizaje profundo para la clasificación de fracturas en radiografías de hombro utilizando una red neuronal convolucional (CNN). El objetivo principal era evaluar el rendimiento de clasificación de la CNN para fracturas humerales proximales (PHF) en función del sistema de clasificación AO/OTA. Los objetivos secundarios incluyeron la evaluación del rendimiento del modelo para fracturas de húmero diafisario, clavícula y escápula. El conjunto de datos de capacitación consistió en 6.172 exámenes, incluidas 2–7 radiografías por examen. El área general bajo la curva (AUC) para la clasificación de fracturas fue de 0.89, lo que indica un buen rendimiento. Para la clasificación de PHF, 12 de 16 clases lograron un AUC de 0.90 o más. Además, el modelo CNN tenía una excelente AUC general para fracturas de húmero diafisario (0.97), fracturas de clavículas (0.96) y una buena AUC para fracturas de escápula (0.87). A pesar de las limitaciones del estudio, como la dependencia de las etiquetas de la verdad terrestre proporcionadas por los estudiantes con experiencia de evaluación radiográfica limitada, nuestros hallazgos están en concordancia con estudios previos, consolidando aún más a CNN como potentes clasificadores de fractura en radiografías simples. La inclusión de múltiples radiografías con diferentes puntos de vista desde cada examen, así como la naturaleza generalmente no seleccionada de la muestra, contribuyó a la generalización general del estudio. Este es el quinto estudio publicado por nuestro grupo sobre IA en radiografías ortopédicas, que ha mostrado consistentemente resultados prometedores. El próximo desafío para la comunidad de investigación ortopédica será transferir estos resultados del entorno de investigación a la práctica clínica. La validación externa del modelo CNN debe realizarse en el futuro antes de considerarse para su uso en un entorno clínico.
Introducción
Las fracturas del hombro incluyen fracturas del húmero proximal, clavícula y escápula. Entre estos, las fracturas de húmero proximal (PHF) son algunas de las fracturas más comunes en la población de edad avanzada. PHF representa aproximadamente el 5% de todas las fracturas y ocurren más comúnmente en las mujeres (1). Las fracturas a menudo son causadas por un trauma mínimo, como una caída de la altura de pie o menos (2,3). El PHF se puede dividir en fracturas a través de las tuberosidades, la metáfisis, el cuello quirúrgico y anatómico, en combinación con una miríada de fragmentos. Estos van desde fracturas simples extraarticulares, unifocales hasta patrones articulares, multifocales y multifragmentarios complejos que involucran la totalidad de la cabeza humeral y la metáfisis (4).
La clasificación de PHF fue pionera por Neer et al., Quien introdujo la clasificación de PHF 4 partes basada en los patrones de desplazamiento de fracturas y fragmentación en 1970 (5,6). La Fundación AO/Asociación de Trauma Ortopédico (AO/OTA) luego introdujo el Compendio de clasificación de fractura y dislocación AO/OTA, revisado recientemente en 2018 (4). Sin embargo, no hay consenso entre los médicos e investigadores sobre qué sistema es superior, y ambos sistemas son ampliamente utilizados y aceptados en la comunidad ortopédica (7). El acuerdo interobservador (IOA) en la clasificación de PHF puede variar sustancialmente dependiendo del nivel de habilidad del observador individual, y los estudios comparativos de las clasificaciones radiográficas NEER y AO/OTA PHF sugieren que la IOA en la clasificación de PHF es justo a moderado en el mejor de8–10).
Las fracturas de la clavícula y la escápula son menos comunes que las fracturas de húmero, con fracturas de clavículas que constituyen el 2.6–4% de las fracturas en adultos y las fracturas de escápula que representan menos del 1% de todas las fracturas ((11,12).
En los últimos años, los clasificadores de imágenes de redes neuronales se han establecido como un modelo eficiente para el análisis de datos en la investigación ortopédica (13). Las redes neuronales convolucionales (CNN) han demostrado ser efectivas previamente para detectar y clasificar las fracturas en varias ubicaciones anatómicas. Chung et al. demostró el potencial de un CNN para identificar y distinguir PHF en radiografías anteroposterior (AP) simples utilizando la clasificación NEER. Al clasificar las fracturas complejas, su CNN funcionó mejor que los cirujanos ortopédicos experimentados (14). Estos hallazgos sugieren que CNN puede detectar y clasificar las fracturas con precisión aproximada e incluso superar la de la capacidad humana.
El objetivo de este estudio fue capacitar y evaluar un modelo CNN para la clasificación AO/OTA de las fracturas de hombro.
Materiales y métodos
Diseño y muestra de estudio
Se extrajeron un total de 7,189 exámenes de hombro radiográfico simple, realizados entre 2002 y 2016, del Sistema de Archivado y Comunicación del Hospital Danderyd (PACS). Los exámenes se realizaron en función de todas las indicaciones estándar para la radiografía de hombro de rutina en el Hospital Danderyd, utilizando protocolos específicos de patología estándar para la evaluación radiográfica del hombro, donde cada examen consistió en 2-7 radiografías. Los exámenes se anonimizaron durante el proceso de extracción y estaban sin todos los datos del paciente. El permiso ético fue otorgado por la Junta de Revisión Ética de Estocolmo, Suecia. DNR: 2014/453-31/3. La Junta de Revisión Ética de Estocolmo renunció a la necesidad de consentimiento informado para este estudio. En este estudio, las fracturas de hombro se definieron como fracturas del húmero, la escápula o la clavícula; Sin embargo, las fracturas de húmero se limitaron a fracturas proximales y diafiséticas.
Conjuntos de datos
La muestra del estudio (n = 7,189) se dividió en un entrenamiento (n = 6,221), validación (n = 562) y un conjunto de datos de prueba (n = 406). Ninguna superposición del paciente estaba presente entre los conjuntos de datos. Los exámenes se extrajeron en base a informes de radiólogo que indican exámenes radiográficos del hombro. Las proyecciones específicas no se consideraron un criterio para la extracción de muestra. Después de revisar el rendimiento inicial de la clasificación de la red, se identificaron clases con bajo rendimiento. Para mejorar el rendimiento en estas clases, utilizamos el aprendizaje activo al aumentar el número de exámenes, incluida la clase de fractura específica. La base de datos PACS fue escaneada para informes de radiólogo que contienen palabras que sugieren los tipos de fractura seleccionados. Esto introdujo el posible sesgo de selección y se consideró aceptable para aumentar la precisión de predicción para todas las clases.
Etiquetado de exámenes radiográficos
Los exámenes radiográficos extraídos se cargaron en una plataforma de etiquetado en línea desarrollada en casa y se etiquetaron con respecto a las fracturas. Los conjuntos de datos de capacitación y validación fueron etiquetados por tres estudiantes de medicina de cuarto año. Los informes del radiólogo se adjuntaron a cada examen cuando estaba disponible, complementando a los estudiantes en la evaluación visual. Las etiquetas se consideraron la verdad terrestre. Los casos particularmente ambiguos o difíciles fueron revisados y reudidos por los estudiantes de medicina, a menudo con supervisión de cirujanos senior. El conjunto de pruebas fue etiquetado por cuatro cirujanos de hombro senior.
Etiquetas de fractura
Las fracturas en el húmero proximal y diafisario, la clavícula y la escápula se marcaron de acuerdo con la clasificación AO/OTA. Las radiografías que contienen más de una fractura característica se etiquetaron en consecuencia, excepto cuando dos o más grupos o subgrupos dentro del mismo tipo ocurrieron simultáneamente, ya que la estructura jerárquica de la plataforma de etiquetado no permitió múltiples clases dentro del mismo tipo de fractura principal. Las etiquetas de fractura se aplicaron de manera jerárquica, con la opción de no asignar grupos y/o subgrupos que el observador no pudiera determinar. Sin embargo, el tipo de fractura principal se registró e incluyó en la muestra de estudio independientemente.
Definiciones
Húmero proximal.
Las fracturas de húmero proximal se clasifican en 3 tipos, 6 grupos y 12 subgrupos (Tabla 1). ‘Clase’ fue el término compuesto utilizado para un grupo y/o subgrupo específico y se abordó con el código de fractura respectivo A1.1 para la mayor fractura de tuberosidad. Se aplicaron calificaciones y modificadores universales cuando corresponde.
Clavícula.
Las fracturas de clavículas se clasifican en 3 ubicaciones y 9 tipos. En este estudio, solo se utilizaron dos ubicaciones, fracturas diáfisas y laterales.
Escápula. Las fracturas de escápula se clasifican en 3 ubicaciones, 8 tipos y 5 grupos. Las fracturas del proceso (Ubicación A) se incluyeron como un grupo y no se clasificaron según el tipo. Las fracturas corporales (Ubicación B) se incluyeron y clasificaron en tipos.
Capacitar al CNN y evaluar el rendimiento de la clasificación de CNN
Se usó un CNN modificado de la arquitectura Resnet con un total de 35 capas convolucionales, con normalización por lotes para cada capa convolucional y un grupo máximo adaptativo (15). La red se inicializó y entrenó aleatoriamente utilizando descenso de gradiente estocástico. Los 6.172 exámenes marcados con alumnos se utilizaron como ejemplos de capacitación en capacitación de CNN y se consideraron la verdad terrestre en este entorno. Las imágenes en el conjunto de datos de entrenamiento fueron procesadas por separado por el CNN para 80 épocas (rondas). Las imágenes se escalaron del tamaño original a 256×256 píxeles para adaptarse al marco de imagen predefinido. Las imágenes también se recortaron, rotaron e invertieron al azar. Durante la capacitación, el modelo se evaluó utilizando el conjunto de datos de validación, que comprende 562 exámenes. El modelo final ajustado se evaluó utilizando el conjunto de datos de prueba, que comprende 406 exámenes.
Estadística
El rendimiento de clasificación del modelo CNN se evaluó utilizando sensibilidad, especificidad, área bajo la curva de características operativas del receptor (ROC) (AUC) y el índice de Youden (J). AUC es un valor entre 0 y 1. Para este estudio, elegimos definir AUC entre 0.7 y 0.8 como «aceptable», AUC entre 0.8 y 0.9 como «excelente» y AUC 0.9 o superior como «sobresaliente» basado en un artículo de Mandrekar en la evaluación de las pruebas de diagnóstico (16). J se define como J = sensibilidad+ +especificidad−1 y describe la máxima precisión potencial de una prueba de diagnóstico. Todos los análisis estadísticos se realizaron con R, utilizando paquetes mlmetrics disponibles públicamente y puntos óptimos para la sensibilidad, la especificidad y J.
Resultados
Se incluyeron un total de 6,783 exámenes radiográficos y se dividieron en un conjunto de datos de capacitación (n = 6,221), un conjunto de datos de validación (n = 562) y un conjunto de datos de prueba (n = 406). Los números de los diferentes tipos de fracturas de hombro y su distribución en los diferentes conjuntos de datos se muestran en Fig. 1.
Fracturas de húmero proximal
Distribución de fracturas en los datos de capacitación.
La mayoría de las fracturas pertenecían a una fractura extraarticular, unifocal, de 2 partes (tipo A, n = 465) seguido de fractura extraarticular, bifocal, de 3 partes (tipo B, n = 60) y fractura articular o de 4 partes (tipo C, n = 47). Los 6 grupos y 11/12 subgrupos se representaron en los datos de capacitación. La fractura de tuberosidad (A1) fue el grupo más común (n = 374), y la fractura de tuberosidad aislada (A1.1) fue el subgrupo más común (n = 370). La fractura quirúrgica del cuello con menor fractura del tubérculo (B1.2) fue el único subgrupo no representado en los datos de entrenamiento.
Rendimiento general del modelo
El CNN exhibió un excelente rendimiento de clasificación de PHF general con AUC 0.92 (IC 95% 0.88 a 0.95) para PHF. Clasificó 77 PHF con 83% de sensibilidad, 89% de especificidad y J 0.79. Un total de 329 exámenes se clasificaron como no PHF. El AUC era alto (0.9) para los tres tipos de fracturas. Las predicciones específicas de clase más precisas se encontraron en la clase de fractura de cuello quirúrgico multifragmentar (subgrupo A2.3) con AUC 1.0 (IC 95% 0.99 a 1.00) y J 0.99. Las predicciones específicas de clase menos precisas estaban en la clase A2.1, con AUC media 0.73 (IC 95% 0.29 a 1.0), J 0.61. La precisión predictiva en todas las clases es …
