Antecedentes: Las patologías espinales degenerativas son altamente prevalentes entre la población anciana. Un diagnóstico oportuno de fracturas osteoporóticas y otras deformidades degenerativas permite tomar medidas proactivas para mitigar el riesgo de dolor de espalda severo y discapacidad. Métodos: Exploramos el uso de auto-codificadores de forma para vértebras, avanzando el estado del arte a través de modelos de segmentación automática robustos entrenados sin etiquetas de fractura y técnicas recientes de aprendizaje profundo geométrico. Nuestros auto-codificadores de forma están pre-entrenados en un gran conjunto de parches de superficie de vértebras. Este paso de pre-entrenamiento aborda el problema de escasez de etiquetas que se enfrenta al aprender la información de forma de las vértebras para la detección de fracturas a partir de intensidades de imagen directamente. Además, proponemos una nueva arquitectura de decodificador de forma: el decodificador de forma basado en puntos. Resultados: Empleando máscaras de segmentación que fueron generadas utilizando el TotalSegmentator, nuestro método propuesto logra un AUC de 0.901 en el conjunto de pruebas VerSe19. Esto supera a los modelos entrenados de extremo a extremo basados en imágenes y superficies. Nuestros resultados demuestran que el pre-entrenamiento de los modelos de manera no supervisada mejora los métodos geométricos como PointNet y DGCNN. Conclusión: Nuestros hallazgos enfatizan las ventajas de aprender explícitamente características de forma para diagnosticar fracturas osteoporóticas de vértebras. Este enfoque mejora la fiabilidad de los resultados de clasificación y reduce la necesidad de etiquetas anotadas.