From medical images to graph classification: a novel graph-based learning pipeline for Vertebral Fracture prediction

Vertebral fractures (VFs) are a common complication in patients undergoing hormone deprivation therapy; early identification of patients at high fracture risk remains a significant clinical challenge. Current approaches present two main limitations: bone mineral density (BMD) is a poor indicator of bone strength, while radiomics features mainly capture global information. The specific aim of this thesis is to investigate the role of the internal vertebral architecture graph representations derived from Computed Tomography (CT) images and exploited for VF prediction. The underlying hypothesis is that structural information, combined with BMD, can improve fracture risk assessment. A graph-based learning pipeline is developed, covering CT image preprocessing, graph construction, structural feature extraction and the application of both classical machine learning (ML) models and Graph Neural Networks (GNNs) to discriminate between patients who will develop VFs and those who will not through a binary classification task. Traditional ML models establish reference baselines, while GNNs are employed to directly evaluate the proposed graph representation hypothesis. The main innovations include a clinically motivated graph construction procedure, a systematic evaluation framework combining ML baselines with dedicated GNN architectures, explainability techniques that identify the vertebral regions contributing most to the final prediction. The short-term outcome is the development of an effective GNN model for graph-based VF prediction, outperforming the established ML baselines and providing a final clinical interpretation in terms of cost-effective and conservative solutions. The long-term objective is to investigate the potential of artificial intelligence for building a screening recommendation tool aimed at identifying individuals at high risk of fracture and supporting clinical decision-making.

Le fratture vertebrali (VFs) sono una complicanza comune nei pazienti sottoposti a terapia di deprivazione ormonale; l’identificazione precoce dei pazienti ad alto rischio di frattura rappresenta una significativa sfida clinica. Gli approcci attuali presentano due principali limitazioni: la densità minerale ossea (BMD) è un indicatore debole della resistenza ossea, mentre le features radiomiche catturano informazioni globali. L’obiettivo specifico di questa tesi è investigare il ruolo dell’architettura vertebrale interna attraverso rappresentazioni basate su grafi, derivate da immagini di Tomografia Computerizzata (CT) e utilizzate per la predizione di VFs. L’ipotesi di base è che le informazioni strutturali, integrate con la BMD, possano migliorare la valutazione del rischio di frattura. Si propone una pipeline di apprendimento basata su grafi che include il preprocessing di immagini CT, la costruzione di grafi, l’estrazione di features strutturali, l’applicazione sia di modelli classici di machine learning (ML) sia di Graph Neural Networks (GNNs) per discriminare tra pazienti che svilupperanno VFs e pazienti che non le svilupperanno, attraverso un problema di classificazione binaria. I modelli di ML forniscono un riferimento di performance, mentre le GNNs sono impiegate per valutare direttamente l’ipotesi della rappresentazione a grafo proposta. Le principali innovazioni includono una procedura di costruzione dei grafi guidata da motivazioni cliniche, un framework di valutazione sistematico che combina baseline di ML con architetture GNN dedicate, tecniche di explainability che identificano le regioni vertebrali che contribuiscono maggiormente alla predizione finale. Il risultato a breve termine è lo sviluppo di un efficace modello GNN per la predizione di VFs basata su grafi, con prestazioni superiori rispetto ai modelli di ML e fornendo un'interpretazione clinica finale in termini di soluzioni economiche e conservative. L’obiettivo a lungo termine è investigare il potenziale dell’intelligenza artificiale per lo sviluppo di uno strumento di screening volto a identificare gli individui ad alto rischio di frattura e a supportare il processo decisionale clinico.