Mejora del rendimiento de detección de fracturas agudas por compresión vertebral utilizando un enfoque híbrido de aprendizaje profundo y medición cuantitativa tradicional: más allá de las limitaciones de la clasificación de Genant
Autores: Lee, Jemyoung; Kim, Minbeom; Park, Heejun; Yang, Zepa; Woo, Ok Hee; Kang, Woo Young; Kim, Jong Hyo
Idioma: Inglés
Editor: MDPI
Año: 2025
Acceso abierto
Artículo científico
2025
Mejora del rendimiento de detección de fracturas agudas por compresión vertebral utilizando un enfoque híbrido de aprendizaje profundo y medición cuantitativa tradicional: más allá de las limitaciones de la clasificación de Genant
Categoría
Ingeniería y Tecnología
Subcategoría
Bioingeniería
Palabras clave
Métodos de detección de HLR
VCF
DL
Sensibilidad
TSVD_SD
Licencia
CC BY-SA – Atribución – Compartir Igual
Consultas: 29
Citaciones: Sin citaciones
Objetivo: Este estudio evaluó la aplicabilidad del método clásico, la relación de pérdida de altura (HLR), para identificar fracturas por compresión aguda mayores en la práctica clínica y comparó su rendimiento con métodos de detección de VCF basados en aprendizaje profundo (DL). Además, examinó si combinar el HLR con enfoques de DL podría mejorar el rendimiento, explorando la integración potencial de metodologías clásicas y de DL. Los modelos se evaluaron en un conjunto de datos de 589 pacientes, centrándose en sensibilidad, especificidad, precisión y precisión. TSVD_SD superó a todos los demás métodos, logrando la mayor sensibilidad (84,46%) y precisión (95,05%), lo que lo hace particularmente efectivo para identificar verdaderos positivos. El uso complementario de métodos de DL con HLR mejoró aún más el rendimiento de detección. Por ejemplo, combinar casos negativos de HLR con TSVD_SD aumentó la sensibilidad al 87,84%, reduciendo las fracturas no detectadas, mientras que combinar casos positivos de HLR con EEVD logró la mayor especificidad (99,77%), minimizando los falsos positivos. Estos hallazgos demostraron que los enfoques basados en DL, especialmente TSVD_SD, proporcionaron alternativas robustas o complementos a los métodos tradicionales, mejorando significativamente la precisión diagnóstica de las VCF agudas en la práctica clínica.
Descripción
Objetivo: Este estudio evaluó la aplicabilidad del método clásico, la relación de pérdida de altura (HLR), para identificar fracturas por compresión aguda mayores en la práctica clínica y comparó su rendimiento con métodos de detección de VCF basados en aprendizaje profundo (DL). Además, examinó si combinar el HLR con enfoques de DL podría mejorar el rendimiento, explorando la integración potencial de metodologías clásicas y de DL. Los modelos se evaluaron en un conjunto de datos de 589 pacientes, centrándose en sensibilidad, especificidad, precisión y precisión. TSVD_SD superó a todos los demás métodos, logrando la mayor sensibilidad (84,46%) y precisión (95,05%), lo que lo hace particularmente efectivo para identificar verdaderos positivos. El uso complementario de métodos de DL con HLR mejoró aún más el rendimiento de detección. Por ejemplo, combinar casos negativos de HLR con TSVD_SD aumentó la sensibilidad al 87,84%, reduciendo las fracturas no detectadas, mientras que combinar casos positivos de HLR con EEVD logró la mayor especificidad (99,77%), minimizando los falsos positivos. Estos hallazgos demostraron que los enfoques basados en DL, especialmente TSVD_SD, proporcionaron alternativas robustas o complementos a los métodos tradicionales, mejorando significativamente la precisión diagnóstica de las VCF agudas en la práctica clínica.