O valor diagnóstico da aprendizagem de máquina baseada em imagens para a osteoporose: revisão sistemática e meta-análise

MetanáliseNível 1 · Evidência consolidadaJournal of medical Internet research16 jan 20261 citações

O que aconteceu

Projeta-se que a osteoporose (OP) seja uma questão importante, impactando significativamente o bem-estar das populações de meia-idade e idosos. Modelos de aprendizado de máquina (ML) e aprendizagem profunda (DL) desenvolvidos com base em imagens médicas têm melhorado a precisão diagnóstica e eficiência de trabalho dos clínicos. No entanto, o desempenho diagnóstico de diferentes tipos de imagem médica para a OP não foi sistematicamente avaliado. Ao sintetizar a literatura relacionada, este estudo tem como objetivo elucidar o papel de modelos de LD baseados em diferentes modalidades de imagem médica na detecção de OP. PubMed, Embase, Cochrane Library e Web of Science foram sistematicamente pesquisados para o diagnóstico de OP com base em imagens médicas. A busca final foi realizada em 16 de maio de 2024. O risco de viés nos estudos incluídos foi avaliado pela ferramenta Quality Assessment of Diagnostic Accuracy Studies-2. Um modelo bivariado de efeitos mistos foi aplicado para realização de metanálises de sensibilidade (SEN) e especificidade (SPC), estratificadas por modalidade de imagem (raio-x, tomografia computadorizada [TC], ressonância magnética [RM]). Além disso, foram realizadas análises de subgrupos com base no tipo de algoritmo ML, no método de validação geração de dados e no local anatômico de avaliação.

O que encontraram

Foram incluídos nesta revisão sistemática e metanálise 60 estudos, com 66.195 participantes. Destes, 22 estudos utilizaram imagem de raios-x, 37 de TC aplicada e 3 de RM para o diagnóstico de OP baseado em ML. Para os modelos baseados em raios-x, o SEN e o RCM agrupados para estudos com foco no esqueleto apendicular foram 0,97 (IC 95% 0,83-0,99) e 0,90 (IC 95% 0,75-0,96), respectivamente. Para os estudos que utilizaram a mandíbula como local alvo, o SEN e o RCM foram 0,94 (IC 95% 0,89-0,97) e 0,80 (IC 95% 0,56-0,93), respectivamente. Para aqueles com foco na coluna lombar, o SEN e o RCM agrupados foram 0,87 (IC 95% 0,77-0,93) e 0,82 (IC 95% 0,75-0,87), respectivamente. Para os modelos baseados em TC, estudos que visavam a articulação do quadril relataram um SEN e RCM agrupados de 0,87 (IC 95% 0,83-0,90) e 0,92 (IC 95% 0,81-0,96), respectivamente. Para a coluna torácica, o SEN e o RCM foram 0,91 (IC 95% 0,86-0,94) e 0,94 (IC 95% 0,92-0,95), respectivamente, enquanto para a coluna lombar foram 0,91 (IC 95% 0,87-0,94) e 0,92 (IC 95% 0,86-0,95), respectivamente.

Por que isso importa

O ML baseado em imagem médica demonstra alta acurácia diagnóstica para a OP, particularmente modelos de LD utilizando modalidades de raios-x e TC. No entanto, este estudo incluiu apenas um número limitado de estudos originais utilizando ML à base de RM, e ainda não existe uma validação externa adequada entre os estudos, o que apresenta limitações interpretativas. Pesquisas futuras devem visar desenvolver ferramentas de inteligência artificial com aplicabilidade mais ampla e maior precisão diagnóstica.

Tradução automática do resumo original, publicado em Journal of medical Internet research sob licença CC BY. Os números são conferidos contra o original; siglas e termos técnicos podem variar.