AFFILIAZIONE
università del salento
AUTORE PRINCIPALE
Dr.ssa Peluso Giusy
Registrazione obbligatoria. Una valutazione consentita
login avvenuto
GRUPPO DI LAVORO
Dr.ssa Peluso Giusy università del salento
Ph.D Bellone Mauro echolight s.p.a.
Ph.D Lombardi Fiorella anna consiglio nazionale delle ricerche, istituto di fisiologia clinica
Ph.D Conversano Francesco consiglio nazionale delle ricerche, istituto di fisiologia clinica
Ph.D Pisani Paola consiglio nazionale delle ricerche, istituto di fisiologia clinica
Ph.D Italo Epicoco università del salento
Prof. Massimo Cafaro università del salento
Ph.D Casciaro Sergio consiglio nazionale delle ricerche, istituto di fisiologia clinica
Ph.D Bellone Mauro echolight s.p.a.
Ph.D Lombardi Fiorella anna consiglio nazionale delle ricerche, istituto di fisiologia clinica
Ph.D Conversano Francesco consiglio nazionale delle ricerche, istituto di fisiologia clinica
Ph.D Pisani Paola consiglio nazionale delle ricerche, istituto di fisiologia clinica
Ph.D Italo Epicoco università del salento
Prof. Massimo Cafaro università del salento
Ph.D Casciaro Sergio consiglio nazionale delle ricerche, istituto di fisiologia clinica
AREA TEMATICA
Applicazioni di intelligenza artificiale in sanità
ABSTRACT
La prevenzione delle fratture da fragilità, priorità crescente a causa dell’invecchiamento della popolazione, richiede diagnosi precoci e trattamenti efficaci. La tecnologia REMS (Radiofrequency Echographic MultiSpectrometry), utilizzando ultrasuoni (US) e non radiazioni ionizzanti, rappresenta un’alternativa ai metodi tradizionali per valutare la salute ossea di femore prossimale e rachide lombare. Alterazioni nella densità minerale ossea o nella microarchitettura, costituita da osso trabecolare responsabile della distribuzione del carico, compromettono la resistenza meccanica, aumentando il rischio di frattura.
Lo studio propone l’integrazione di REMS con modelli di reti neurali convoluzionali (CNN) per un’indagine avanzata della microarchitettura ossea, elemento chiave nella valutazione del rischio di fratture, e la definizione automatica della classe di rischio.
Il dataset utilizzato comprende 2268 scansioni US del femore, di cui 374 provenienti da soggetti con fratture da fragilità. Le prestazioni del modello sono state misurate su un test set il cui stato di frattura è verificato tramite follow-up a 5 anni. L’algoritmo, addestrato su matrici numeriche estratte dalle immagini US, identifica come modello finale un ensemble di 5 reti ottenute da crossvalidazione. Il soggetto è classificato calcolando la media delle probabilità softmax restituite dai singoli modelli. Il valore più alto indica il grado di fragilità ossea che, combinato con il valore di T-Score REMS, consente di collocare il soggetto esaminato in una classe di rischio di frattura crescente da 1 a 7, che predice la probabilità di fratturarsi entro 5 anni.
I risultati confermano l’efficacia del classificatore basato su CNN nel rilevare alterazioni microstrutturali, con accuratezza, specificità e sensibilità attorno all’80%. La maggior parte dei soggetti fratturati è stata classificata nelle classi di rischio più elevate (5–7), a conferma dell’affidabilità dell’ensemble nel riconoscere individui a rischio di frattura e rifrattura. Per rafforzare la robustezza del modello, è auspicabile ampliare il dataset, considerando in Italia un’incidenza di soggetti fratturati compresa tra il 16% e il 34% in entrambi i sessi.
Lo studio evidenzia la capacità delle CNN di identificare pattern strutturali utili in un marcatore predittivo che, combinato con il T-score REMS, consente di stimare il grado di fragilità ossea. Tale approccio faciliterebbe la diagnosi clinica e la personalizzazione del trattamento.
Lo studio propone l’integrazione di REMS con modelli di reti neurali convoluzionali (CNN) per un’indagine avanzata della microarchitettura ossea, elemento chiave nella valutazione del rischio di fratture, e la definizione automatica della classe di rischio.
Il dataset utilizzato comprende 2268 scansioni US del femore, di cui 374 provenienti da soggetti con fratture da fragilità. Le prestazioni del modello sono state misurate su un test set il cui stato di frattura è verificato tramite follow-up a 5 anni. L’algoritmo, addestrato su matrici numeriche estratte dalle immagini US, identifica come modello finale un ensemble di 5 reti ottenute da crossvalidazione. Il soggetto è classificato calcolando la media delle probabilità softmax restituite dai singoli modelli. Il valore più alto indica il grado di fragilità ossea che, combinato con il valore di T-Score REMS, consente di collocare il soggetto esaminato in una classe di rischio di frattura crescente da 1 a 7, che predice la probabilità di fratturarsi entro 5 anni.
I risultati confermano l’efficacia del classificatore basato su CNN nel rilevare alterazioni microstrutturali, con accuratezza, specificità e sensibilità attorno all’80%. La maggior parte dei soggetti fratturati è stata classificata nelle classi di rischio più elevate (5–7), a conferma dell’affidabilità dell’ensemble nel riconoscere individui a rischio di frattura e rifrattura. Per rafforzare la robustezza del modello, è auspicabile ampliare il dataset, considerando in Italia un’incidenza di soggetti fratturati compresa tra il 16% e il 34% in entrambi i sessi.
Lo studio evidenzia la capacità delle CNN di identificare pattern strutturali utili in un marcatore predittivo che, combinato con il T-score REMS, consente di stimare il grado di fragilità ossea. Tale approccio faciliterebbe la diagnosi clinica e la personalizzazione del trattamento.
