OLKALUUN VARREN LUUTUMATTOMUUDEN ENNUSTAMINEN ALKUVAIHEEN RÖNTGENKUVISTA SYVÄOPPIMISEN AVULLA

Siyarcan Yücel1,2, Marko Moilanen3, Laura Kärnä1,5, Sami Äyrämö3,4, Aleksi Reito1,5,

1Lääketieteen ja terveysteknologian tiedekunta, Tampereen yliopisto, 2Informaatioteknologian ja viestinnän tiedekunta, Tampereen yliopisto, 3Informaatioteknologian tiedekunta, Jyväskylän yliopisto, 4Keski-Suomen hyvinvointialue, Sairaala Nova, 5Tuki- ja liikuntaelinkeskus, Tampereen yliopistollinen sairaala 

     Murtuman luutumattomuuden varhainen ja tarkka ennustaminen on merkittävä ortopedinen haaste. Tässä tutkimuksessa selvitettiin syväoppimismallien soveltuvuutta olkaluun varren murtumien paranemisennusteen arviointiin vamman alkuvaiheen röntgenkuvista. Tähän tehtävään ei toistaiseksi vielä ole vakiintuneita tekoälymenetelmiä. 

     Kehitimme systemaattisen prosessin kymmenen erilaisen konvoluutioneuroverkkoarkkitehtuurin (CNN) arvioimiseksi. Jokaista arkkitehtuuria testattiin sekä ilman esikäsittelyä että käyttämällä Cannyn reunatunnistusta. Optimaaliset hyperparametrit haettiin satunnaishaulla. Mallit opetettiin aineistolla, joka koostui 420 potilaan 781 kuvasta, ja validoitiin 84 potilaan 151 kuvalla. Parhaiten suoriutunut malli uudelleenopetettiin yhdistetyllä aineistolla ja arvioitiin itsenäisesti erillisellä testiaineistolla (56 potilasta, 108 kuvaa). 

     Systemaattisessa arvioinnissa parhaaksi arkkitehtuuriksi osoittautui VGG16 ilman reunatunnistusta. Erillisessä testiaineistossa lopullisen mallin AUC ROC -arvo oli 0,550 (95 % luottamusväli [lv] 0,419–0,676) ja AUC PR -arvo 0,328 (95 % lv 0,213–0,500). Optimaalisella todennäköisyyskynnyksellä 0,890 mallin kokonaistarkkuus oli 0,427 (95 % lv 0,330–0,524), positiivinen ennustearvo 0,295 (95 % lv 0,200–0,395), herkkyys 0,852 (95 % lv 0,700–0,968) ja spesifisyys 0,276 (95 % lv 0,179–0,384). 

     Useiden syväoppimismallien kattavasta vertailusta huolimatta ennustettavuus jäi vaatimattomaksi ja ylitti satunnaistuloksen vain niukasti. Tulos osoittaa, että luutumattomuuden ennustaminen pelkkien kaksiulotteisten natiiviröntgenkuvien ja konvoluutioneuroverkkojen avulla on haastavaa. Kliinisesti käyttökelpoisen menetelmän kehittäminen edellyttänee tarkemmin määriteltyjä vastemuuttujia, edistyneempiä mallinnusmenetelmiä tai huomattavasti isompia aineistoja.