Технология искусственного интеллекта для распознавания компрессионных переломов позвонков с помощью модели морфометрического анализа, основанной на сверточных нейронных сетях

ОБОСНОВАНИЕ. Патологические низкоэнергетические (НЭ) компрессионные переломы (КП) тел позвонков являются признаками тяжелого течения остеопороза и предикторами последующих НЭ-переломов. До 84% случаев КП тел позвонков корректно не описываются при рентгеновских методах, что обуславливает необходимость разработки ассистента радиолога на основе технологий искусственного интеллекта (ИИ) для повышения качества диагностики остеопороза, его осложнений и профилактики последующих переломов.ЦЕЛЬ. Разработать модель ИИ для автоматической диагностики КП позвонков по данным компьютерной томографии (КТ) органов грудной клетки.МЕТОДЫ. С сентября 2019 г. по май 2020 г. было проведено ретроспективное выборочное исследование, основанное на результатах КТ органов грудной клетки (ОГК). Были отобраны и анонимизированы результаты 160 КТ ОГК пациентов старше 60 лет, у 60% из которых отмечались переломы с компрессией более 25%. Разметка данных выполнена семью разметчиками. Проводились морфометрический анализ с вычислением средних размеров (вентрального, медиального, дорсального) тел позвонков и последующая полуколичественная классификация степени компрессии по Genant. Размеченный набор данных использовался для обучения созданной на основе двух сверточных нейронных сетей (CNN) модели ИИ Comprise-G, которая в последующем производила аналогичные измерения размеров тел позвонков с расчетом степени компрессии. Оценку модели выполняли по методу анализа ROC-кривых, расчета чувствительности и специфичности.РЕЗУЛЬТАТЫ. Для 160 пациентов разметка проведена суммарно по 2066 позвонкам. Пациенты разделены на две группы: 100 - обучающая и 60 - тестовая выборка, не использованная в обучении модели ИИ. Оценка диагностической возможности Comprise-G: выявления 2-й и 3-й степени компрессии у пациентов при 5-FOLD кросс-валидации - чувствительность 90,7%, специфичность 90,7%, площадь под ROC-кривой 0,974; для тестовых данных - чувствительность 83,2%, специфичность 90,0%, площадь под ROC-кривой 0,956; у позвонков для кросс-валидационных данных: чувствительность 91,5%, специфичность 95,2%, площадь под ROC-кривой 0,981; для тестовых данных: чувствительность 79,3%, специфичность 98,7%, площадь под ROC-кривой 0,978.ВЫВОД. Разработанная модель ИИ Comprise-G продемонстрировала высокие диагностические возможности для автоматического выявления КП тел позвонков при КТ-исследованиях грудной клетки и может быть рекомендована для дальнейшей валидации.

BACKGROUND: Pathological low-energy (LE) vertebral compression fractures (VFs) are common complications of osteoporosis and predictors of subsequent LE fractures. In 84% of cases, VFs are not reported on chest CT (CCT), which calls for the development of an artificial intelligence-based (AI) assistant that would help radiology specialists to improve the diagnosis of osteoporosis complications and prevent new LE fractures.AIMS: To develop an AI model for automated diagnosis of compression fractures of the thoracic spine based on chest CT images.MATERIALS AND METHODS: Between September 2019 and May 2020 the authors performed a retrospective sampling study of ССТ images. The 160 of results were selected and anonymized. The data was labeled by seven readers. Using the morphometric analysis, the investigators received the following metric data: ventral, medial and dorsal dimensions. This was followed by a semiquantitative assessment of VFs degree. The data was used to develop the Comprise-G AI mode based on CNN, which subsequently measured the size of the vertebral bodies and then calculates the compression degree. The model was evaluated with the ROC curve analysis and by calculating sensitivity and specificity values.RESULTS: Formed data consist of 160 patients (a training group - 100 patients; a test group - 60 patients). The total of 2,066 vertebrae was annotated. When detecting Grade 2 and 3 maximum VFs in patients the Comprise-G model demonstrated sensitivity - 90,7%, specificity - 90,7%, AUC ROC - 0.974 on the 5-FOLD cross-validation data of the training dataset; on the test data - sensitivity - 83,2%, specificity - 90,0%, AUC ROC - 0.956; in vertebrae demonstrated sensitivity - 91,5%, specificity - 95,2%, AUC ROC - 0.981 on the cross-validation data; for the test data sensitivity - 79,3%, specificity - 98,7%, AUC ROC - 0.978.CONCLUSIONS: The Comprise-G model demonstrated high diagnostic capabilities in detecting the VFs on CCT images and can be recommended for further validation.