L'intelligenza artificiale come ausilio diagnostico terapeutico nelle fratture radio ulnari distali. ​

Introduction Distal radio-ulnar fractures constitute one-sixth of all fractures and are currently one of the most frequent reasons for Emergency Room access. In addition, the incidence of radio-ulnar fractures is likely to increase as the population ages. The success of treatment depends in large part on a careful assessment of the morphology of the fracture, an assessment that is usually performed first on radiographs. However, the interpretation of radiological images is sometimes difficult and not immediate, especially when performed in an emergency room setting. Hence the need for a tool that can support physicians by helping them in the diagnostic process. Artificial Intelligence, through the development of algorithms based on Deep Learning methods, presents itself as a tool that could be implemented in this scenario. The purpose of our study was to evaluate the degree of diagnostic accuracy of the Compact Convolutional Transformer (ViT), one of the first self-attention based Artificial Intelligence systems, applied to radiographs of distal ulnar radius fractures in an antero-posterior projection in terms of classification accuracy according to AO/OTA in a two-class Broken and Unbroken system and in the three-class 2R3A, 2R3B and 2R3C system. Materials and methods The total number of patients analyzed is 1195, which is all patients who accessed the emergency room at the CTO between November 10, 2020 and November 10, 2021 for wrist fracture. Then, exclusion criteria were applied, which included radiographs that had fixation devices, presence of cast, growing physi, and poor quality images. This resulted in 954 patients whose wrist radiographs were classified according to the AO/OTA system. 15% of the antero-posterior radiographs for each class were used in the Testing phase, 15% of the images for each class were used for the Validation phase, and 70% were used for the Training phase. The neural network during the Training phase was trained for 40 epochs using Early Stopping. Finally, oversampling was implemented in order to equalize the relative number for each class examined as much as possible. Results The Compact Convolutional Transformer was able to correctly classify 70% of distal radio-ulnar fractures in the two-class Broken and Unbroken system, with Average Accuracy of 69%, Average Recall and Average F1-score of 68%. In the classification of the three-class system 2R3A, 2R3B and 2R3C, it achieved an accuracy of 65%, Average Accuracy of 52%, Average Recall of 47% and Average F1-score of 48%. Conclusions Given the accuracy values achieved by the Compact Convolutional Transformer in classifying wrist fractures from two- and three-class antero-posterior radiographs, it Is currently not yet applicable to routine clinical practice. However, by implementing this Neural Network with an algorithm capable of integrating radiographs in latero-lateral projection, increasing the number of radiographs useful in the training phase, and finally adapting its architecture to the hierarchical structure of AO/OTA classification, a significant increase in accuracy, sensitivity, and specificity is expected in the future.

Introduzione Le fratture radio-ulnari distali costituiscono un sesto della totalità delle fratture e sono attualmente uno dei motivi più frequenti di accesso in Pronto Soccorso. Inoltre, l’incidenza delle fratture radio-ulnari è destinata ad aumentare a causa del progressivo invecchiamento della popolazione. Il successo del trattamento dipende in buona parte da un’attenta valutazione della morfologia della frattura, valutazione che viene solitamente eseguita in prima battuta su radiografie. Tuttavia, l’interpretazione delle immagini radiografiche risulta talvolta difficoltosa e non immediata, specialmente se svolta in setting di Pronto Soccorso. Da qui nasce il bisogno di uno strumento che possa affiancare i medici aiutandoli nel processo diagnostico. L'Intelligenza Artificiale, attraverso lo sviluppo di algoritmi basati su metodiche di Deep Learning, si presenta come uno strumento che potrebbe essere implementato in questo scenario. Lo scopo del nostro studio è stato quello di valutare il grado di precisione diagnostica del Compact Convolutional Transformer (ViT), uno dei primi sistemi di Intelligenza Artificiale self-attention based, applicato alle radiografie di fratture radio ulnari distali in proiezione antero-posteriore in termini di accuratezza di classificazione secondo l’AO/OTA in un sistema a due classi denominate Broken e Unbroken (rispettivamente in presenza o assenza di frattura) e nel sistema a tre classi 2R3A, 2R3B e 2R3C. Materiali e metodi Il numero di pazienti complessivi analizzati è 1195, ovvero tutti i pazienti che hanno effettuato l’accesso in Pronto Soccorso presso il CTO tra il 10 Novembre 2020 e il 10 Novembre 2021 per frattura di polso. In seguito, sono stati applicati i criteri di esclusione, che comprendono le radiografie che presentavano mezzi di sintesi, presenza di gesso, fisi in fase di crescita e immagini di scarsa qualità. Si sono ottenuti così 954 pazienti le cui radiografie di polso sono state classificate secondo il sistema AO/OTA. ll 15% delle radiografie antero-posteriori per ogni classe è stato utilizzato nella la fase di Testing, il 15% delle immagini per ogni classe è stato utilizzato per la fase di Validation e il 70% è stato utilizzato per la fase di addestramento (Training phase). La rete neurale durante la Training phase è stata addestrata per 40 epochs utilizzando Early Stopping. Si è infine attuato l’oversampling al fine di uniformare il più possibile il numero relativo ad ogni classe esaminata. Risultati Il Compact Convolutional Transformer è stato in grado di classificare correttamente il 70% delle di fratture radio-ulnari distali nel sistema a due classi Broken e Unbroken, con Precisione media del 69%, Richiamo e F1-score medi del 68%. Nella classificazione del sistema a tre classi 2R3A, 2R3B e 2R3C ha ottenuto un’accuratezza pari al 65%, Precisione media del 52%, Richiamo medio del 47% ed F1-score medio del 48%. Conclusioni Considerati i valori di accuratezza raggiunti dal Compact Convolutional Transformer nella classificazione delle fratture di polso a partire da radiografie antero-posteriori a due e a tre classi, attualmente non risulta ancora applicabile alla pratica clinica routinaria. Tuttavia, implementando questa Rete Neurale con un algoritmo in grado di integrare radiografie in proiezione latero-laterale, aumentando il numero di radiografie utili alla fase di addestramento (Training phase) e infine adattando la sua architettura alla struttura gerarchica della classificazione.