L’osteoporosi è una malattia sistemica che indebolisce le ossa, aumentando il rischio di fratture, con gravi conseguenze sulla salute pubblica ed economica. Caratterizzata dalla riduzione della densità minerale ossea (BMD) e dal deterioramento della microarchitettura ossea, è diffusa soprattutto tra le donne oltre i 50 anni. Un’altra condizione di ridotta densità ossea meno grave ma spesso precursore dell’osteoporosi è l’osteopenia.
Le fratture osteoporotiche, spesso silenziose e sottodiagnosticate, superano in termini di ricoveri e costi quelle di altre gravi malattie come l’infarto e il cancro al seno. Nonostante l’importanza dello screening, solo una piccola parte della popolazione riceve esami adeguati, come l’assorbimetria a raggi X a doppia energia (DXA), il test standard per valutare la BMD. Tuttavia, la DXA presenta limiti diagnostici, spesso non identificando correttamente tutti i soggetti a rischio. In alternativa, la tomografia computerizzata quantitativa (qTC) fornisce una valutazione tridimensionale più accurata, ma è meno utilizzata a causa dei costi e della complessità tecnica.
Inoltre, l’efficacia dei metodi di diagnosi varia tra i gruppi etnici, rendendo necessario lo sviluppo di standard di riferimento specifici per razza per evitare errori di diagnosi. Recentemente, si stanno esplorando approcci di screening basati sull’intelligenza artificiale per migliorare la diagnosi dell’osteoporosi attraverso l’analisi delle scansioni TC.
Metodologia
Il protocollo dello studio è stato sviluppato seguendo le linee guida PRISMAP per le revisioni sistematiche e meta-analisi. L‘obiettivo era analizzare lo screening opportunistico dell’osteoporosi con l’intelligenza artificiale (AI) applicata alle scansioni TC. Sono stati inclusi articoli che trattavano la classificazione di osteoporosi/osteopenia o la misurazione della densità minerale ossea tramite AI in TC, pubblicati in inglese e con dati chiari sui criteri di analisi.
Le ricerche sono state condotte su database come PubMed, Scopus e Web of Science per il periodo 2018-2023, utilizzando una stringa di ricerca specifica per AI, TC e osteoporosi. Dopo l’esportazione dei risultati e la rimozione dei duplicati, 63 pubblicazioni sono state valutate da più revisori, che hanno discusso i risultati e risolto i disaccordi tramite consenso. Tramite un processo di selezione, che ha escluso articoli non pertinenti o metodologicamente inadeguati, sono stati inclusi 14 studi. Questi lavori si concentravano sull’uso dell’IA per analizzare le immagini TC della colonna vertebrale al fine di determinare la BMD e identificare l’osteoporosi o l’osteopenia.
Sono stati estratti vari dati sugli articoli, come l’autore, l’anno, il titolo, i metodi di valutazione, il numero e l’età dei soggetti. Sono state anche analizzate le tecniche AI, i siti anatomici studiati e i limiti di ciascuna ricerca. Gli studi sono stati raggruppati per obiettivi, metodi tecnici e popolazioni coinvolte per fornire una visione completa dello stato della ricerca nel campo dello screening dell’osteoporosi tramite AI.
Risultati
Gli studi hanno utilizzato diverse tecniche di IA, includendo sia approcci completamente automatizzati che ibridi. Alcuni ricercatori hanno adottato algoritmi di deep learning per segmentare automaticamente le vertebre e calcolare la BMD, mentre altri hanno combinato il deep learning con il machine learning tradizionale per analizzare ulteriori caratteristiche radiomiche delle vertebre. I risultati hanno mostrato un’ampia gamma di prestazioni, con una precisione della segmentazione automatica variabile, ma generalmente elevata (coefficiente di similarità DSC tra 0,782 e 0,988). Inoltre, la capacità predittiva della BMD variava tra l’86% e il 96%, e la classificazione dell’osteoporosi ha raggiunto AUC tra 0,927 e 0,984.
Tuttavia, gli studi hanno evidenziato alcune sfide, come l’eterogeneità nei metodi di valutazione e l’assenza di un gold standard univoco per confrontare le diverse tecniche. La mancanza di standardizzazione tra i protocolli ha reso difficile la comparabilità dei risultati, e molti studi si trovano ancora in una fase di prova di concetto, lontani da un’applicazione clinica consolidata. Inoltre, la variabilità nelle modalità di segmentazione, l’effetto degli agenti di contrasto e la gestione dei casi complessi (ad esempio, presenza di fratture vertebrali) restano questioni aperte che necessitano ulteriori ricerche.
Conclusione
La revisione ha evidenziato il crescente ruolo dell’IA nel migliorare lo screening opportunistico per osteoporosi e osteopenia tramite TC. Gli studi analizzati indicano un campo in rapido sviluppo con il potenziale di rivoluzionare il rilevamento della bassa densità minerale ossea, ma segnalano anche importanti sfide da affrontare, come la necessità di parametri di riferimento standardizzati e inclusivi di popolazioni diverse. Le tre principali strategie identificate – IA completamente automatizzata, approcci ibridi basati sulla radiomica, e segmentazione manuale seguita da analisi IA – offrono ciascuna specifici vantaggi. Nonostante l’eterogeneità delle metodologie, vi è un consenso sul fatto che l’IA possa migliorare i protocolli diagnostici esistenti, portando a screening più efficienti e a diagnosi precoci delle condizioni osteoporotiche, con un impatto positivo sulla gestione delle fratture e sui costi sanitari.
Lo studio
Paderno A, Ataide Gomes EJ, Gilberg L, Maerkisch L, Teodorescu B, Koç AM, Meyer M. Artificial intelligence-enhanced opportunistic screening of osteoporosis in CT scan: a scoping Review. Osteoporos Int. 2024 Oct;35(10):1681-1692. doi: 10.1007/s00198-024-07179-1. Epub 2024 Jul 10. Erratum in: Osteoporos Int. 2024 Oct;35(10):1877. doi: 10.1007/s00198-024-07206-1. PMID: 38985200.
