Predicción del manejo quirúrgico versus no quirúrgico de fracturas agudas aisladas del radio distal en pacientes menores de 60 años mediante una red neuronal convolucional

Predicción del manejo quirúrgico versus no quirúrgico de fracturas agudas aisladas del radio distal en pacientes menores de 60 años mediante una red neuronal convolucional

julio 15, 2025 por admin

J Hand Surg Am- ASSH
@JHandSurg
Predicción del manejo #quirúrgico versus #no quirúrgico de fracturas agudas aisladas del radio distal en pacientes menores de 60 años mediante una red neuronal convolucional
@uoftmedicine @UHN @DATATeam_uhn @SickKidsNews
#IA #Imagen #ManejoQuirúrgico #Trauma

Predicting Surgical Versus Nonsurgical Management of Acute Isolated Distal Radius Fractures in Patients Under Age 60 Using a Convolutional Neural Network – Journal of Hand Surgery

“Predicting Surgical Versus Nonsurgical Management of Acute Isolated Distal Radius Fractures in Patients Under Age 60 Using a Convolutional Neural Network” (J Hand Surg Am. 2025;50(7):781–789):

---

Introducción

Las fracturas del radio distal (DRFs) representan hasta el 20% de las fracturas en servicios de urgencias, y se tratan de forma no quirúrgica en la mayoría de los casos. Sin embargo, los retrasos en la cirugía (más de 14 días) se asocian con peores resultados funcionales y mayor uso de recursos sanitarios. En el centro de estudio, el tiempo promedio hasta la cirugía supera los 19 días debido a rutas de atención fragmentadas. El objetivo fue desarrollar una red neuronal convolucional (CNN) para analizar radiografías de DRF agudas aisladas en pacientes menores de 60 años y predecir si requerirán tratamiento quirúrgico o no quirúrgico, facilitando así la derivación oportuna.

---

Métodos

Se incluyeron retrospectivamente 163 pacientes menores de 60 años con DRF aguda aislada atendidos entre 2018 y 2023. Se recolectaron radiografías en vista posteroanterior y lateral tomadas dentro de las 4 semanas post-lesión. Se procesaron imágenes con técnicas de segmentación, recorte del carpo y normalización. El modelo CNN utilizó una arquitectura con 7 capas convolucionales y una capa totalmente conectada. Se dividieron los datos en conjuntos de entrenamiento (70%), validación (15%) y prueba (15%). Se priorizó la sensibilidad para minimizar falsos negativos, especialmente en fracturas con desplazamiento volar.

---

Resultados

El modelo final entrenado con imágenes de 256×256 píxeles alcanzó una precisión del 88% y sensibilidad del 100% en la predicción por paciente. El área bajo la curva ROC (AUROC) fue de 87% y la AUPRC (precisión promedio) fue de 88%. Se detectó una mejora significativa en la clasificación tras ajustar ponderaciones para fracturas volares, tradicionalmente asociadas a mayor inestabilidad y necesidad de cirugía. La exactitud por radiografía individual fue de 79%.

---

Discusión

El algoritmo basado en CNN mostró alto rendimiento al predecir manejo quirúrgico o no quirúrgico de DRF agudas en menores de 60 años, basándose solo en imágenes. Aunque no reemplaza el juicio clínico, tiene utilidad como herramienta de triaje inicial, reduciendo demoras quirúrgicas sin aumentar la carga clínica. La mayor sensibilidad buscó minimizar casos quirúrgicos no detectados, aceptando un mayor número de falsos positivos. El modelo refleja las decisiones clínicas locales y podría adaptarse a otras instituciones. No se incluyeron pacientes mayores de 60 años por variabilidad en las indicaciones quirúrgicas en dicha población.

---

Predicting Surgical Versus Nonsurgical Management of Acute Isolated Distal Radius Fractures in Patients Under Age 60 Using a Convolutional Neural Network – PubMed

Predicting Surgical Versus Nonsurgical Management of Acute Isolated Distal Radius Fractures in Patients Under Age 60 Using a Convolutional Neural Network – Journal of Hand Surgery

Hsu D, Persitz J, Noori A, Zhang H, Mashouri P, Shah R, Chan A, Madani A, Paul R. Predicting Surgical Versus Nonsurgical Management of Acute Isolated Distal Radius Fractures in Patients Under Age 60 Using a Convolutional Neural Network. J Hand Surg Am. 2025 Jul;50(7):781-789. doi: 10.1016/j.jhsa.2025.04.015. Epub 2025 May 26. PMID: 40418202.

DOI: 10.1016/j.jhsa.2025.04.015 External LinkAlso available on ScienceDirect External Link

Copyright: © 2025 by the American Society for Surgery of the Hand. Published by Elsevier Inc.

User License: Creative Commons Attribution – NonCommercial – NoDerivs (CC BY-NC-ND 4.0) | Elsevier’s open access license policy

 https://www.columnavertebralpediatricaygeriatrica.com.mx/academia/identificacion-de-patrones-de-escoliosis-atipicos-mediante-imagenes-de-rayos-x-basadas-en-tecnicas-detalladas-de-aprendizaje-profundo/

Identificación de patrones de escoliosis atípicos mediante imágenes de rayos X basadas en técnicas detalladas de aprendizaje profundo

junio 26, 2025 por admin

Identificación de patrones de escoliosis atípicos mediante imágenes de rayos X basadas en técnicas detalladas de aprendizaje profundo

Introducción

El escoliosis asociada a la malformación de Chiari tipo I (CMS) presenta patrones radiográficos atípicos — curvas izquierdas torácicas, doble curvatura y desviaciones laterales pronunciadas — que suelen pasar desapercibidos en radiografías de columna completa. La resonancia magnética (RM) es el estándar para descartar anomalías neuroaxiales, pero su uso rutinario no es coste-efectivo. Por ello, el objetivo del estudio fue desarrollar y validar un modelo de clasificación “fine-grained” basado en deep learning (ResNet-50) que, a partir de radiografías coronal y sagital, identifique tanto la escoliosis como los patrones atípicos vinculados a CMS.

Materiales y Métodos

• Diseño y muestra: estudio retrospectivo con 508 sujetos (128 CMS, 200 escoliosis idiopática adolescente — AIS— y 180 controles sanos), atendidos entre junio 2016 y noviembre 2023.
• Datos y preprocesamiento: 1 016 radiografías coronales y sagitales estandarizadas a 512×512 px; 70 % entrenamiento, 20 % validación y 10 % prueba. Se aplicó aumento de datos (giros ≤10°, traslaciones ≤15 %, escalado 75-125 %) y normalización de intensidad.
• Modelos: se entrenaron cinco variantes de ResNet-50 — Coronal, Sagittal, Dual (fusión de ambas vistas), Concat y Bilinear (pooling bilineal).
• Evaluación: precisión, sensibilidad, especificidad, valor predictivo positivo (VPP) y negativo (VPN); curvas ROC y mapas de activación de clases (CAM) para interpretar la decisión del modelo.

Resultados

1. Sistema de diagnóstico de escoliosis (CMS + AIS vs. controles)
   • El modelo ResNet-50 Coronal alcanzó la mejor actuación: precisión 94 %, sensibilidad 90,63 %, especificidad y VPP 100 %, VPN 85,71 %.
2. Sistema de diagnóstico de CMS (CMS vs. AIS + controles)
   • El modelo Dual obtuvo precisión 84 %, sensibilidad 58,33 %, especificidad 92,11 %, VPP 70 % y VPN 87,5 % — rendimiento equivalente al de un cirujano de columna sénior.
   • El modelo Coronal demostró mayor especificidad (94,74 %) y VPP (71,43 %), pero menor sensibilidad (41,67 %).
   • AUC en CMS: 0,85 (Coronal) y 0,78 (Dual).
3. Interpretabilidad
   • Los mapas CAM mostraron que el modelo se centra en curvas atípicas, desplazamientos laterales, segmentos largos y tilt troncal severo — hallazgos clave para diferenciar CMS de AIS.

Discusión

El empleo exclusivo de radiografías coronales basta para un cribado robusto de escoliosis; las vistas sagitales aportan ruido y reducen el rendimiento global. Los modelos Coronal y Dual identifican CMS con exactitud comparable o superior a expertos humanos, resaltando su potencial como filtro previo a la RM para disminuir estudios innecesarios y costes sanitarios. Sin embargo, la sensibilidad moderada señala riesgo de falsos negativos; la ampliación del conjunto de datos y la incorporación de patologías neuroaxiales adicionales podrían optimizar la generalización del algoritmo.

---

Conclusión
Un enfoque de clasificación fina basado en ResNet-50 permite detectar patrones de escoliosis atípica asociados a malformación de Chiari con radiografías convencionales, apoyando decisiones clínicas tempranas y racionalizando el uso de RM.

Identification of Atypical Scoliosis Patterns Using X-ray Images Based on Fine-Grained Techniques in Deep Learning – PubMed

Identification of Atypical Scoliosis Patterns Using X-ray Images Based on Fine-Grained Techniques in Deep Learning – PMC

Identification of Atypical Scoliosis Patterns Using X-ray Images Based on Fine-Grained Techniques in Deep Learning – Yi Chen, Zhong He, Kenneth Guangpu Yang, Xiaodong Qin, Adam Yiu-Chung Lau, Zhen Liu, Neng Lu, Jack Chun-Yiu Cheng, Wayne Yuk-Wai Lee, Elvis Chun-Sing Chui, Yong Qiu, Xiaoli Liu, Xipu Chen, Zezhang Zhu, 2025

Chen Y, He Z, Yang KG, Qin X, Lau AY, Liu Z, Lu N, Cheng JC, Lee WY, Chui EC, Qiu Y, Liu X, Chen X, Zhu Z. Identification of Atypical Scoliosis Patterns Using X-ray Images Based on Fine-Grained Techniques in Deep Learning. Global Spine J. 2025 Jun 11:21925682251349999. doi: 10.1177/21925682251349999. Epub ahead of print. PMID: 40500925; PMCID: PMC12162537.

© The Author(s) 2025

This article is distributed under the terms of the Creative Commons Attribution-NonCommercial-NoDerivs 4.0 License (https://creativecommons.org/licenses/by-nc-nd/4.0/) which permits non-commercial use, reproduction and distribution of the work as published without adaptation or alteration, without further permission provided the original work is attributed as specified on the SAGE and Open Access pages (https://us.sagepub.com/en-us/nam/open-access-at-sage).

PMC Copyright notice

PMCID: PMC12162537  PMID: 40500925

 https://www.ortopediaoncologicamexico.mx/academia/aprendizaje-profundo-para-la-diferenciacion-del-osteosarcoma-osteolitico-y-el-tumor-de-celulas-gigantes-alrededor-de-la-articulacion-de-la-rodilla-en-radiografias-un-estudio-multicentrico/

Aprendizaje profundo para la diferenciación del osteosarcoma osteolítico y el tumor de células gigantes alrededor de la articulación de la rodilla en radiografías: un estudio multicéntrico

marzo 7, 2024 por admin

Los tumores óseos son un grupo de lesiones neoplásicas primarias o secundarias del hueso con diversos tipos patológicos y comportamientos biológicos [1]. Según la quinta edición de la clasificación de tumores óseos de la Organización Mundial de la Salud (OMS) publicada en 2020, los tumores óseos se clasifican en benignos, intermedios o malignos [2]. Los tumores óseos primarios de las extremidades se encuentran comúnmente en los huesos alrededor de la articulación de la rodilla [3-5], y los tipos más comunes incluyen osteocondroma, osteosarcoma (OS) y tumor de células gigantes (TCG) del hueso [6-8]. La manifestación imagenológica del osteocondroma es un tumor óseo benigno que crece fuera del hueso, con características diagnósticas que incluyen la cobertura de una capa de cartílago, por lo que no es difícil hacer un diagnóstico correcto según las imágenes médicas [9, 10]. Tanto la OS como el TCG de hueso muestran una fuerte agresividad local en las imágenes [7, 8], pero se clasifican como tumores óseos malignos y tumores óseos intermedios según la clasificación de tumores óseos de la OMS, y sus planes de tratamiento clínico y pronóstico son sustancialmente diferentes. Por lo tanto, es necesario obtener un diagnóstico diferencial preciso entre OS y TCG antes del tratamiento clínico [1, 7, 8].

La radiografía digital es ampliamente reconocida como el método de imagen primario para diagnosticar lesiones óseas y se utiliza ampliamente en la práctica clínica [11]. Las radiografías pueden mostrar la imagen general de los tumores óseos en su conjunto y reflejar sus comportamientos biológicos, proporcionando información diagnóstica y de diagnóstico diferencial [12]. La formación de hueso tumoral en las radiografías es un rasgo característico en el diagnóstico de OS [11]. La OS se puede clasificar en subtipos osteolítico, osteoblástico y mixto según la cantidad osteogénica dentro de la OS en las radiografías [13]. Sin embargo, distinguir la OS osteolítica del TCG se vuelve más difícil cuando no hay formación de hueso tumoral, especialmente para los radiólogos novatos, ya que ambos exhiben una destrucción ósea agresiva y localizada [14]. La edad del paciente tiene valor diagnóstico para distinguir entre los dos tipos de tumores, pero edades similares entre pacientes con estos dos tumores diferentes pueden confundir el juicio del radiólogo [11]. Por lo tanto, construimos un modelo clínico para investigar el papel de las variables clínicas.

Como tecnología emergente de aprendizaje automático, el aprendizaje profundo (DL) se ha aplicado ampliamente al análisis de imágenes médicas de tumores óseos [15-17], que puede distinguir tumores óseos benignos y malignos [11, 12, 14, 18-21]. Un estudio reciente ha destacado el potencial de la DL para clasificar eficazmente las radiografías sanas y patológicas en niños [22]. Sin embargo, estudios previos se han centrado principalmente en la clasificación benigna y maligna de varios tumores óseos en diferentes sitios del cuerpo [15, 18, 21], en lugar de abordar específicamente el diagnóstico diferencial de OS osteolítico y TCG alrededor de la articulación de la rodilla. Hasta donde sabemos, no se han informado estudios que utilicen DL para este propósito específico.

El propósito de este estudio fue desarrollar un modelo DL para el diagnóstico diferencial de OS osteolítico y TCG de hueso en radiografías de rodilla y comparar su rendimiento diagnóstico con el de radiólogos con y sin asistencia del modelo.

Desarrollar un modelo de aprendizaje profundo (DL) para diferenciar entre osteosarcoma osteolítico (OS) y tumor de células gigantes (TCG) en radiografías.

Conclusión
El modelo DL distinguió con precisión la OS osteolítica y el TCG con un mejor rendimiento que el de los radiólogos jóvenes, cuyos propios resultados de diagnóstico mejoraron significativamente con la ayuda del modelo, lo que indica el potencial para el diagnóstico diferencial de los dos tumores óseos en las radiografías.

Declaración de relevancia crítica
El modelo de aprendizaje profundo puede distinguir con precisión el osteosarcoma osteolítico y el tumor de células gigantes en las radiografías, lo que puede ayudar a los radiólogos a mejorar la precisión del diagnóstico de dos tipos de tumores.

Puntos clave

• El modelo DL muestra un rendimiento sólido para distinguir el osteosarcoma osteolítico y el tumor de células gigantes.
• El rendimiento del diagnóstico del modelo DL es mejor que el de los radiólogos jóvenes.
• El modelo DL muestra potencial para diferenciar el osteosarcoma osteolítico y el tumor de células gigantes.

Deep learning for differentiation of osteolytic osteosarcoma and giant cell tumor around the knee joint on radiographs: a multicenter study – PubMed (nih.gov)

Deep learning for differentiation of osteolytic osteosarcoma and giant cell tumor around the knee joint on radiographs: a multicenter study – PMC (nih.gov)

Deep learning for differentiation of osteolytic osteosarcoma and giant cell tumor around the knee joint on radiographs: a multicenter study | Insights into Imaging | Full Text (springeropen.com)

Shao J, Lin H, Ding L, Li B, Xu D, Sun Y, Guan T, Dai H, Liu R, Deng D, Huang B, Feng S, Diao X, Gao Z. Deep learning for differentiation of osteolytic osteosarcoma and giant cell tumor around the knee joint on radiographs: a multicenter study. Insights Imaging. 2024 Feb 7;15(1):35. doi: 10.1186/s13244-024-01610-1. PMID: 38321327; PMCID: PMC10847082.

Copyright © The Author(s) 2024

Open Access This article is licensed under a Creative Commons Attribution 4.0 International License, which permits use, sharing, adaptation, distribution and reproduction in any medium or format, as long as you give appropriate credit to the original author(s) and the source, provide a link to the Creative Commons licence, and indicate if changes were made. The images or other third party material in this article are included in the article’s Creative Commons licence, unless indicated otherwise in a credit line to the material. If material is not included in the article’s Creative Commons licence and your intended use is not permitted by statutory regulation or exceeds the permitted use, you will need to obtain permission directly from the copyright holder. To view a copy of this licence, visit http://creativecommons.org/licenses/by/4.0/.

 https://www.ortopediainfantilyarticular.com.mx/cirugia-articular/una-herramienta-de-aprendizaje-profundo-para-la-medicion-radiografica-automatizada-de-la-inclinacion-y-la-version-del-componente-acetabular-despues-de-la-artroplastia-total-de-cadera/

Una herramienta de aprendizaje profundo para la medición radiográfica automatizada de la inclinación y la versión del componente acetabular después de la artroplastia total de cadera

agosto 4, 2022 por admin

Gran artículo de nuestro miembro del equipo de la semana @PRouzrokh

discutiendo el desarrollo de una herramienta de aprendizaje profundo para medir la inclinación acetabular y la versión en radiografías posteriores a THA

A Deep Learning Tool for Automated Radiographic Measurement of Acetabular Component Inclination and Version After Total Hip Arthroplasty – The Journal of Arthroplasty (arthroplastyjournal.org)

• Se cree que la posición angular inadecuada del componente acetabular aumenta el riesgo de luxación de cadera después de una artroplastia total de cadera. Sin embargo, la medición manual de estos ángulos requiere mucho tiempo y es propensa a la variabilidad entre observadores. El propósito de este estudio fue desarrollar una herramienta de aprendizaje profundo para automatizar la medición de los ángulos del componente acetabular en radiografías posoperatorias.
• Desarrollamos una herramienta de aprendizaje profundo de alta precisión para automatizar la medición de la posición angular de los componentes acetabulares para su uso en entornos clínicos y de investigación.

https://pubmed.ncbi.nlm.nih.gov/33678445/

https://www.ncbi.nlm.nih.gov/pmc/articles/PMC8197739/

https://www.arthroplastyjournal.org/article/S0883-5403(21)00165-0/fulltext

Rouzrokh P, Wyles CC, Philbrick KA, Ramazanian T, Weston AD, Cai JC, Taunton MJ, Lewallen DG, Berry DJ, Erickson BJ, Maradit Kremers H. A Deep Learning Tool for Automated Radiographic Measurement of Acetabular Component Inclination and Version After Total Hip Arthroplasty. J Arthroplasty. 2021 Jul;36(7):2510-2517.e6. doi: 10.1016/j.arth.2021.02.026. Epub 2021 Feb 16. PMID: 33678445; PMCID: PMC8197739.

Copyright

© 2021 Elsevier Inc. All rights reserved.

 https://www.lesionesdeportivas.com.mx/academia/inteligencia-artificial-en-ortopedia-tres-estrategias-para-el-aprendizaje-profundo-con-imagenes-ortopedicas-especificas/

Inteligencia artificial en ortopedia: tres estrategias para el aprendizaje profundo con imágenes ortopédicas específicas

marzo 15, 2022 por admin

La inteligencia artificial ha logrado resultados notables en el campo de la medicina. Lea el editorial de este mes sobre inteligencia artificial en ortopedia.

#inteligenciaartificial #aprendizajeprofundo

Artificial intelligence in orthopedics: three strategies for deep learning with orthopedic specific imaging | SpringerLink

• La inteligencia artificial (IA) ha logrado resultados notables en toda la sociedad, incluso en el campo de la medicina. A medida que avanzan las técnicas, no es raro que la IA supere a los médicos en determinadas condiciones [2].
• Una rama de la IA, conocida como aprendizaje automático, denota la capacidad de una máquina para identificar relaciones entre datos sin criterios explícitos. Esta identificación de relaciones suele mejorar con el aumento de la experiencia y los datos, y permite que los algoritmos modelen relaciones que, de lo contrario, podrían ser demasiado complejas para los métodos estadísticos estándar. El aprendizaje profundo es un campo del aprendizaje automático que se refiere a un modelo con una estructura de red neuronal artificial e imita las conexiones neuronales del cerebro humano (Fig. 1).
• El determinante más importante del rendimiento del algoritmo de aprendizaje automático convencional (aparte de la calidad y cantidad de datos) es la selección adecuada de funciones. Si el proceso de selección de características se ejecuta adecuadamente, es posible lograr un rendimiento suficientemente efectivo independientemente del tipo de modelo utilizado. Por otro lado, si la selección de características no tiene éxito, es difícil lograr un rendimiento adecuado, independientemente de la popularidad o la supuesta capacidad del algoritmo candidato.
• Actualmente, no existe un estándar de oro para el proceso de selección de funciones. Por lo tanto, todavía existe la necesidad de una metodología cuidadosa que describa el conocimiento técnico y médico cuando se utilizan algoritmos tradicionales de aprendizaje automático. Por el contrario, el aprendizaje profundo tiene la ventaja del análisis de extremo a extremo utilizando datos de entrada sin el proceso de selección de características. Ofrece la ventaja de no tener que depender estrictamente de la selección de funciones, ya que utiliza todos los parámetros disponibles.
• Sin embargo, el aprendizaje profundo también tiene una barrera de entrada que requiere la preparación de datos para la capacitación. Además, es importante asegurar una unidad de procesamiento de gráficos (GPU) de alto rendimiento para un experimento eficiente, ya que los tiempos y costos de entrenamiento del modelo a menudo pueden volverse cada vez más onerosos [3].

https://pubmed.ncbi.nlm.nih.gov/35022826/

https://link.springer.com/article/10.1007/s00167-021-06838-8

Ko S, Pareek A, Ro DH, Lu Y, Camp CL, Martin RK, Krych AJ. Artificial intelligence in orthopedics: three strategies for deep learning with orthopedic specific imaging. Knee Surg Sports Traumatol Arthrosc. 2022 Mar;30(3):758-761. doi: 10.1007/s00167-021-06838-8. Epub 2022 Jan 13. PMID: 35022826.

Copyright © 2022, The Author(s) under exclusive licence to European Society of Sports Traumatology, Knee Surgery, Arthroscopy (ESSKA)

¿Puede un modelo de aprendizaje profundo para la detección automatizada de fracturas vertebrales aproximarse al nivel de desempeño de los subespecialistas humanos?

 https://www.columnavertebralpediatricaygeriatrica.com.mx/academia/puede-un-modelo-de-aprendizaje-profundo-para-la-deteccion-automatizada-de-fracturas-vertebrales-aproximarse-al-nivel-de-desempeno-de-los-subespecialistas-humanos/

¿Puede un modelo de aprendizaje profundo para la detección automatizada de fracturas vertebrales aproximarse al nivel de desempeño de los subespecialistas humanos?

• Las fracturas vertebrales son las fracturas osteoporóticas más comunes en personas mayores.
• Estudios recientes sugieren que el desempeño de la inteligencia artificial es igual al de los humanos en la detección de fracturas osteoporóticas, como fracturas de cadera, radio distal y húmero proximal.
• Sin embargo, aún no se ha informado si la inteligencia artificial funciona tan bien en la detección de fracturas vertebrales en radiografías simples de columna lateral.

• El modelo de inteligencia artificial detectó fracturas vertebrales en radiografías laterales simples con alta precisión, sensibilidad y especificidad, especialmente para fracturas vertebrales lumbares osteoporóticas (Genant Grados 2 y 3).
• El informe rápido de resultados utilizando este modelo de inteligencia artificial puede mejorar la eficiencia del diagnóstico de fracturas vertebrales.
• El modelo de prueba está disponible en http://140.113.114.104/vght_demo/corr/.
• Se pueden cargar una o varias radiografías laterales simples de la columna en el formato de imágenes digitales y comunicaciones en medicina para ver el rendimiento del modelo de inteligencia artificial.

https://pubmed.ncbi.nlm.nih.gov/33651768/

https://journals.lww.com/clinorthop/Abstract/2021/07000/Can_a_Deep_learning_Model_for_the_Automated.32.aspx

Li YC, Chen HH, Horng-Shing Lu H, Hondar Wu HT, Chang MC, Chou PH. Can a Deep-learning Model for the Automated Detection of Vertebral Fractures Approach the Performance Level of Human Subspecialists? Clin Orthop Relat Res. 2021 Jul 1;479(7):1598-1612. doi: 10.1097/CORR.0000000000001685. PMID: 33651768.

Copyright © 2021 by the Association of Bone and Joint Surgeons.