Identificación de patrones de escoliosis atípicos mediante imágenes de rayos X basadas en técnicas detalladas de aprendizaje profundo
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
- 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 %.
- 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).
- 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.
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.
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).
