Introdução: O estudo para diferenciação de fraturas vertebrais por compressão (FVCs) benignas (secundárias à osteoporose) e malignas (secundárias à infiltração neoplásica) tem sido objeto de pesquisa por mais de 20 anos e os critérios utilizados para realizar o diagnóstico diferencial em exames de ressonância magnética (RM), que é a modalidade mais relevante para o diagnóstico de doenças malignas da coluna vertebral, ainda são considerados inespecíficos. A Radiômica, que é a prática de extrair características quantitativas de imagens médicas para gerar dados que possam ser analisados por meio de técnicas de mineração, tem obtido ótimos resultados na criação de modelos para predição diagnóstica, prognóstica e de resposta à terapia. Assim, nosso objetivo nesse trabalho foi utilizar a abordagem radiômica para extrair informações quantitativas tridimensionais de exames de RM da coluna vertebral e investigar a possibilidade de encontrar uma assinatura radiômica que, associada a um modelo computacional, fosse capaz de diferenciar FVCs malignas e benignas. Material e Métodos: Este estudo retrospectivo analisou exames de RM da coluna lombar na sequência sagital ponderada em T1 de 91 pacientes (36 homens e 55 mulheres, com idade média de 64,24 ± 11,75 anos), que foram diagnosticados com uma ou mais FVCs no período de 2010 a 2019 e que estavam sendo acompanhados no Hospital das Clínicas da Faculdade de Medicina de Ribeirão Preto (HCFMRP-USP). 146 corpos vertebrais foram segmentados e tiveram suas características quantitativas extraídas tridimensionalmente. Diferentes combinações metodológicas para cada etapa do reconhecimento de padrão em imagens foram exploradas e a configuração que obteve os melhores resultados foi a segmentação semiautomática realizada com o software 3D Slicer, a extração de atributos quantitativos tridimensionais utilizando a biblioteca PyRadiomics e a classificação com rede neural artificial Multilayer Perceptron. Para validar o modelo, foram utilizadas as técnicas de validação cruzada de 10 folds (validação interna) e a classificação de um conjunto de teste independente (validação externa). A avaliação foi realizada por meio das métricas de acurácia, área sob a curva ROC, sensibilidade e especificidade, com um intervalo de confiança de 95%. Resultados: O conjunto de treinamento foi formado por 100 corpos vertebrais fraturados (54 fraturas benignas e 46 malignas) provenientes de 61 pacientes com idade média de 63,2 ± 12,5 anos e o conjunto de teste compreendeu 30 corpos vertebrais fraturados (15 fraturas benignas e 15 malignas) provenientes de 30 pacientes com idade média de 66,4 ± 9,9 anos. No teste de validação interna, realizado entre 30 modelos gerados por meio da randomização do conjunto de dados, as médias para acurácia, AUC ROC, sensibilidade e especificidade foram, respectivamente, 90,97% (IC de 95%: 90,22%, 91,72%), 0,97 (IC de 95%: 0,966, 0,974), 89,36% (IC de 95%: 88,18%, 90,54%) e 92,33% (IC de 95%: 91,34%, 93,32%). Na validação interna do melhor modelo, essas mesmas métricas alcançaram os seguintes valores: acurácia = 95%, AUC ROC = 0,98, sensibilidade = 93,5% e especificidade = 96,3%. No teste de validação externa, por sua vez, os valores para acurácia, AUC ROC, sensibilidade e especificidade foram, respectivamente, 93,3%, 0.97, 93.3% e 93.3%. Conclusão: O modelo baseado em rede neural proposto neste estudo usando características radiômicas tridimensionais foi capaz de diferenciar fraturas vertebrais por compressão benignas e malignas com excelente desempenho, superando as limitações de estudos anteriores. Sua provável maior contribuição seria aumentar a eficiência diagnóstica dos radiologistas para essas duas condições clínicas, possibilitando uma eventual redução do número de biópsias realizadas e do tempo gasto para liberação do diagnóstico final.

Introduction: The study to differentiate between benign (secondary to osteoporosis) and malignant (secondary to neoplastic infiltration) vertebral compression fractures (VCFs) has been the subject of research for more than 20 years and the criteria used to perform the differential diagnosis through magnetic resonance imaging (MRI), which is the most relevant modality for the diagnosis of malignant diseases of the spine, are still considered non-specific. Radiomics, which is the practice of extracting quantitative characteristics from medical images to generate data that can be analyzed using data mining, has obtained excellent results creating models for diagnostic, prognostic, and therapy responses predictions. Thus, our objective in this work was to use the radiomics approach to extract three-dimensional quantitative information from spinal MRIs and investigate the possibility of finding a radiomics signature that, associated with a computational model, would be able to differentiate malignant from benign FVCs. Material and Methods: This retrospective study analyzed sagittal T1-weighted lumbar spine MRIs from 91 patients (36 men and 55 women, with an average age of 64.24 ± 11.75 years) diagnosed with benign or malignant VCFs from 2010 to 2019 who underwent treatment at the University Hospital. The 146 lumbar fractures were three-dimensionally segmented and had their 3D radiomic features extracted. Different methodological approaches for each stage of pattern recognition in images were explored and the configuration that obtained the best results was the semi-automatic segmentation performed by using 3D Slicer software, the extraction of 3D quantitative features by using PyRadiomics package, and the classification with the artificial neural network Multilayer Perceptron. To validate the model, the 10-fold cross-validation technique and an independent test set were used. The performance of the model was evaluated using the average with a 95% confidence interval for accuracy, the Roc AUC, sensitivity, and specificity. Results: The training set consisted of 100 fractured vertebral bodies from 61 patients (average age of 63.2 ± 12.5 years) and the test set was comprised of 30 fractured vertebral bodies from 30 patients (average age of 66.4 ± 9.9 years). In the internal validation test, performed among 30 models generated through the randomized dataset, the averages for accuracy, ROC AUC, sensitivity and specificity were, respectively, 90,97% (95% CI: 90,22%, 91,72%), 0,97 (95% CI: 0,966, 0,974), 89,36% (95% CI: 88,18%, 90,54%) e 92,33% (95% CI: 91,34%, 93,32%). The internal validation test for the best model reached an accuracy of 95%, an AUC of 0.98, sensitivity of 93.5%, and specificity of 96.3%. In the external validation test, the model achieved an accuracy of 93.3%, an AUC of 0.97, a sensitivity of 93.3%, and a specificity of 93.3%. Conclusion: The neural network-based model proposed in this study using 3D radiomic features could differentiate benign from malignant vertebral compression fractures with excellent performance, overcoming the limitations of previous studies. The likely greatest contribution of this work would be to increase the diagnostic efficiency of the radiologist for these two clinical conditions, allowing an eventual reduction of both the number of biopsies and the time taken to deliver the final diagnosis.