problendoПроблемы ЭндокринологииProblems of Endocrinology0375-96602308-1430Endocrinology Research Centre10.14341/probl12605problendo-12605Research ArticleБолезни костной и жировой тканиBones & Adipose tissues diseasesТехнология искусственного интеллекта для распознавания компрессионных переломов позвонков с помощью модели морфометрического анализа, основанной на сверточных нейронных сетяхArtificial intelligence for diagnosis of vertebral compression fractures using a morphometric analysis model, based on convolutional neural networkshttps://orcid.org/0000-0003-1694-4682ПетряйкинА. В.PetraikinA. V.

Петряйкин Алексей Владимирович - кандидат медицинских наук, доцент.127051, Москва, ул. Петровка, д. 24.eLibrary SPIN: 6193-1656

Alexey V. Petraikin - PhD, Med., Associate Professor.24 Petrovka street, 127051 Moscow.eLibrary SPIN: 6193-1656

alexeypetraikin@gmail.comhttps://orcid.org/0000-0002-6674-6441БелаяЖ. Е.BelayaZh. E.

Белая Жанна Евгеньевна - доктор медицинских наук, профессор, заведующая отделения нейроэндокринологии и остеопатий, профессор кафедры эндокринология, института высшего и дополнительного образования.Москва.eLibrary SPIN: 4746-7173

Zhanna E. Belaya - MD, PhD, Professor.Moscow.eLibrary SPIN: 4746-7173

jannabelaya@gmail.comhttps://orcid.org/0000-0002-5713-5307КиселeваА. Н.KiselevaA. N.

Киселёва Анастасия Николаевна.Москва.eLibrary SPIN: 9586-5720

Anastasia N. Kiseleva.Moscow.eLibrary SPIN: 9586-5720

anastasia.kiseleva.97@mail.ruhttps://orcid.org/0000-0003-2960-9787АртюковаЗ. Р.ArtyukovaZ. R.

Артюкова Злата Романовна.127051, Москва, ул. Петровка, д. 24.eLibrary SPIN: 5873-2280

Zlata R. Artyukova.24 Petrovka street, 127051 Moscow.eLibrary SPIN: 5873-2280

zl.artyukova@gmail.comhttps://orcid.org/0000-0001-9906-6453БеляевМ. Г.BelyaevM. G.

Беляев Михаил Геннадьевич - кандидат физико-математических наук, старший преподаватель.Москва.eLibrary SPIN: 2406-1772

Mikhail G. Belyaev – PhD, Senior Lecturer.Moscow.eLibrary SPIN: 2406-1772

m.belyaev@skoltech.ruhttps://orcid.org/0000-0001-8123-0462КондратенкоВ. А.KondratenkoV. A.

Кондратенко Владимир Анатольевич.Москва.eLibrary SPIN: 9265-9820

Vladimir A. Kondratenko.Moscow.eLibrary SPIN: 9265-9820

v.kondratenko@skoltech.ruhttps://orcid.org/0000-0001-8727-5792ПисовМ. Е.PisovM. E.

Писов Максим Евгеньевич.Москва.eLibrary SPIN: 7812-9031

Maxim E. Pisov.Moscow.eLibrary SPIN: 7812-9031

m.pisov@skoltech.ruhttps://orcid.org/0000-0003-4485-2638СоловьевА. В.SolovevA. V.

Соловьев Александр Владимирович.Москва.eLibrary SPIN: 9654-4005

Alexander V. Solovev.Moscow.eLibrary SPIN: 9654-4005

atlantis.92@mail.ruhttps://orcid.org/0000-0002-9766-3390СморчковаА. К.SmorchkovaA. K.

Сморчкова Анастасия Кирилловна.Москва.eLibrary SPIN: 4345-8568

Anastasia K. Smorchkova.Moscow.eLibrary SPIN: 4345-8568

smanki97@gmail.comhttps://orcid.org/0000-0001-6745-1672АбуладзеЛ. Р.AbuladzeL. R.

Абуладзе Лия Руслановна.Москва.eLibrary SPIN: 8640-9989

Liya R. Abuladze.Moscow.eLibrary SPIN: 8640-9989

drliaabuladze@gmail.comhttps://orcid.org/0000-0002-4060-5966КиеваИ. Н.KievaI. N.

Киева Ирина Николаевна.Москва.eLibrary SPIN:2279-9141

Irina N. Kieva.Moscow.eLibrary SPIN:2279-9141

irina.kieva9@yandex.ruhttps://orcid.org/0000-0003-1979-0359ФедановВ. А.FedanovV. A.

Феданов Владимир Александрович.Москва.eLibrary SPIN:4700-0649

Vladimir A. Fedanov.Moscow.eLibrary SPIN:4700-0649

vfedanov@gmail.comhttps://orcid.org/0000-0002-2772-1401ЯссинЛ. Р.IassinL. R.

Яссин Лейла Раедовна.Москва.eLibrary SPIN:3439-6381

Leila R. Iassin.Moscow.eLibrary SPIN:3439-6381

yassin.leila@yandex.ruhttps://orcid.org/0000-0002-4293-2514СемёновД. С.SemenovD. S.

Семенов Дмитрий Сергеевич.127051, Москва, ул. Петровка, д. 24.eLibrary SPIN: 2278-7290

Dmitry S. Semenov.24 Petrovka street, 127051 Moscow.eLibrary SPIN: 2278-7290

d.semenov@npcmr.ruhttps://orcid.org/0000-0003-4203-0630КудрявцевН. Д.KudryavtsevN. D.

Кудрявцев Никита Дмитриевич.Москва.eLibrary SPIN: 1125-8637

Nikita D.Kudryavtsev.Moscow.eLibrary SPIN: 1125-8637

n.kudryavtsev@npcmr.ruhttps://orcid.org/0000-0003-3292-8949ЩелыкалинаС. П.ShchelykalinaS. P.

Щелыкалина Светлана Павловна - кандидат медицинских наук, доцент.Москва.eLibrary SPIN: 9804-0820

Svetlana P. Shchelykalina - PhD, Med., Associate Professor.Moscow.eLibrary SPIN: 9804-0820

svetlanath@gmail.comhttps://orcid.org/0000-0002-2307-725XЗинченкоВ. В.ZinchenkoV. V.

Зинченко Виктория Валерьевна.127051, Москва, ул. Петровка, д. 24.eLibrary SPIN: 4188-0635

Victoria V. Zinchenko.24 Petrovka street, 127051 Moscow.eLibrary SPIN: 4188-0635

v.zinchenko@npcmr.ruhttps://orcid.org/0000-0002-8235-9361АхмадЕ. С.AkhmadE. S.

Ахмад Екатерина Сергеевна.127051, Москва, ул. Петровка, д. 24.eLibrary SPIN: 5891-4384

Ekaterina S. Akhmad.24 Petrovka street, 127051 Moscow.eLibrary SPIN: 5891-4384

e.ahmad@npcmr.ruhttps://orcid.org/0000-0002-9596-7278СергуноваК. А.SergunovaK. A.

Сергунова Кристина Анатольевна - кандидат технических наук.127051, Москва, ул. Петровка, д. 24.eLibrary SPIN: 6946-3205

Kristina A. Sergunova – PhD.24 Petrovka street, 127051 Moscow.eLibrary SPIN: 6946-3205

sergunova@npcmr.ruhttps://orcid.org/0000-0003-1816-1315ГомболевскийВ. А.GombolevskyV. A.

Гомболевский Виктор Александрович - кандидат медицинских наук.127051, Москва, ул. Петровка, д. 24.eLibrary SPIN: 6810-3279

Victor A. Gombolevsky - MD, PhD.24 Petrovka street, 127051 Moscow.eLibrary SPIN: 6810-3279

gombolevskiy@npcmr.ruhttps://orcid.org/0000-0002-9614-4505НизовцоваЛ. А.NisovstovaL. A.

Низовцова Людмила Арсеньевна - доктор медицинских наук, профессор.127051, Москва, ул. Петровка, д. 24.eLibrary SPIN: 9957-8107

Lyudmila A. Nisovstova - PhD, MD, Professor.24 Petrovka street, 127051 Moscow.eLibrary SPIN: 9957-8107

nizovtsova@npcmr.ruhttps://orcid.org/0000-0002-2990-7736ВладзимирскийА. В.VladzymyrskyyA. V.

Владзимирский Антон Вячеславович - доктор медицинских наук.127051, Москва, ул. Петровка, д. 24.eLibrary SPIN: 3602-7120

Anton V. Vladzymyrskyy - MD, PhD.24 Petrovka street, 127051 Moscow.eLibrary SPIN: 3602-7120

a.vladzimirsky@npcmr.ruhttps://orcid.org/0000-0001-6545-6170МорозовС. П.MorozovS. P.

Морозов Сергей Павлович - доктор медицинских наук, профессор.127051, Москва, ул. Петровка, д. 24.eLibrary SPIN: 8542-1720

Sergey P. Morozov - MD, PhD, Professor.24 Petrovka street, 127051 Moscow.eLibrary SPIN: 8542-1720

morozov@npcmr.ruНаучно-практический клинический центр диагностики и телемедицинских технологийРоссияResearch and Practical Clinical Center for Diagnostics and Telemedicine TechnologiesRussian FederationНациональный медицинский исследовательский центр эндокринологииРоссияEndocrinology Research CentreRussian FederationНаучный центр неврологииРоссияResearch Center of NeurologyRussian FederationСколковский институт науки и технологийРоссияSkolkovo Institute of Science and TechnologyRussian FederationСколковский институт науки и технологий; Институт проблем передачи информации им. А.А. Харкевича РАНРоссияSkolkovo Institute of Science and Technology; Kharkevich Institute for Information Transmission ProblemsRussian FederationНаучно-исследовательский институт скорой помощи им. Н.В. СклифосовскогоРоссияSklifosovsky Clinical and Research Institute of Emergency MedicineRussian FederationЦентральная государственная медицинская академия Управления делами Президента Российской ФедерацииРоссияCentral State Medical Academy of the Presidential Administration of the Russian FederationRussian FederationПервый Московский государственный медицинский университет имени И.М. Сеченова (Сеченовский Университет)РоссияSechenov UniversityRussian FederationРоссийский университет дружбы народовРоссияPeoples' Friendship University of RussiaRussian FederationРоссийский национальный исследовательский медицинский университет имени Н.И. ПироговаРоссияPirogov Russian National Research Medical UniversityRussian Federation2020241020206654860Copyright © Петряйкин А.В., Белая Ж.Е., Киселeва А.Н., Артюкова З.Р., Беляев М.Г., Кондратенко В.А., Писов М.Е., Соловьев А.В., Сморчкова А.К., Абуладзе Л.Р., Киева И.Н., Феданов В.А., Яссин Л.Р., Семёнов Д.С., Кудрявцев Н.Д., Щелыкалина С.П., Зинченко В.В., Ахмад Е.С., Сергунова К.А., Гомболевский В.А., Низовцова Л.А., Владзимирский А.В., Морозов С.П., 20202020Петряйкин А.В., Белая Ж.Е., Киселeва А.Н., Артюкова З.Р., Беляев М.Г., Кондратенко В.А., Писов М.Е., Соловьев А.В., Сморчкова А.К., Абуладзе Л.Р., Киева И.Н., Феданов В.А., Яссин Л.Р., Семёнов Д.С., Кудрявцев Н.Д., Щелыкалина С.П., Зинченко В.В., Ахмад Е.С., Сергунова К.А., Гомболевский В.А., Низовцова Л.А., Владзимирский А.В., Морозов С.П.Petraikin A.V., Belaya Z.E., Kiseleva A.N., Artyukova Z.R., Belyaev M.G., Kondratenko V.A., Pisov M.E., Solovev A.V., Smorchkova A.K., Abuladze L.R., Kieva I.N., Fedanov V.A., Iassin L.R., Semenov D.S., Kudryavtsev N.D., Shchelykalina S.P., Zinchenko V.V., Akhmad E.S., Sergunova K.A., Gombolevsky V.A., Nisovstova L.A., Vladzymyrskyy A.V., Morozov S.P.Данная работа распространяется под лицензией Creative Commons Attribution 4.0.This work is licensed under a Creative Commons Attribution 4.0 License.https://www.probl-endojournals.ru/jour/article/view/12605

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.

искусственный интеллектComprise-Gкомпрессионные переломыостеопорозкомпьютерная томографияartificial intelligenceComprise-Gvertebral fracturesosteoporosiscomputed tomographyАвторы выносят благодарность отделу координации научной деятельности ГБУЗ «НПКЦ ДиТ ДЗМ» за помощь на всех этапах научной работы.ReferencesМельниченко Г.А., Белая Ж.Е., Рожинская Л.Я., и др. Федеральные клинические рекомендации по диагностике, лечению и профилактике остеопороза // Проблемы эндокринологии. — 2017. — Т. 63. — №6. — С. 392-426. doi: 10.14341/probl2017636392-426Mel'nichenko GA, Belaya ZhE, Rozhinskaya LYa, et al. Russian federal clinical guidelines on the diagnostics, treatment, and prevention of osteoporosis. Problemy endocrinologii. 2017;63(6):392-426. (in Russ.). doi: 10.14341/probl2017636392-426Лесняк О.М., Баранова И.А., Белова К.Ю. и др. Остеопороз в Российской Федерации: эпидемиология, медико-социальные и экономические аспекты проблемы (обзор литературы) // Травматология и ортопедия России. — 2018. — Т. 24. — №1. — С. 155-168. doi: 10.21823/2311-2905-2018-24-1-155-168Lesnyak OM, Baranova IA, Belova KYu et al. Osteoporosis in Russian Federation: Epidemiology, Socio-Medical and Economical Aspects (Review). Travmatologiya i ortopediya Rossii [Traumatology and orthopedics of Russia]. 2018;24(1):155-168. (in Russ.). doi: 10.21823/2311-2905-2018-24-1-155-168Лесняк O.M. Аудит состояния проблемы остеопороза в странах восточной европы и центральной азии 2010 // Остеопороз и остеопатии. — 2011. — Т. 14. — №2. — C. 3-6. doi: 10.14341/osteo201123-6Lesnyak OM. The Eastern European & Central Asian Regional Audit Epidemiology, costs & burden of osteoporosis in 2010. Osteoporosis and bone diseases. 2011;14(2):3-6. (in Russ.). doi: 10.14341/osteo201123-6Kanis JA, McCloskey EV, Johansson H, et al. European guidance for the diagnosis and management of osteoporosis in postmenopausal women. Osteoporosis International. 2013; 24:23-57. doi: 10.1007/s00198-012-2074-yKanis JA, McCloskey EV, Johansson H, et al. European guidance for the diagnosis and management of osteoporosis in postmenopausal women. Osteoporosis International. 2013; 24:23-57. doi: 10.1007/s00198-012-2074-yWilliams AL, Al-Busaidi A, Sparrow PJ, et al. Underreporting of osteoporotic vertebral fractures on computed tomography. European journal of radiology. 2009;69(1):179-183. doi: 10.1016/j.ejrad.2007.08.028Williams AL, Al-Busaidi A, Sparrow PJ, et al. Underreporting of osteoporotic vertebral fractures on computed tomography. European journal of radiology. 2009;69(1):179-183. doi: 10.1016/j.ejrad.2007.08.028Carberry GA, Pooler BD, Binkley N, et al. Unreported vertebral body compression fractures at abdominal multidetector CT. Radiology. 2013;268(1):120-126. doi: 10.1148/radiol.13121632Carberry GA, Pooler BD, Binkley N, et al. Unreported vertebral body compression fractures at abdominal multidetector CT. Radiology. 2013;268(1):120-126. doi: 10.1148/radiol.13121632Black DM, Arden NK, Palermo L, et al. Prevalent vertebral deformities predict hip fractures and new vertebral deformities but not wrist fractures. J. Bone Miner. Res. 1999;14(5): 821-828. doi: 10.1359/jbmr.1999.14.5.821Black DM, Arden NK, Palermo L, et al. Prevalent vertebral deformities predict hip fractures and new vertebral deformities but not wrist fractures. J. Bone Miner. Res. 1999;14(5): 821-828. doi: 10.1359/jbmr.1999.14.5.821Ahmed N, Mandel R, Fain MJ. Frailty: An Emerging Geriatric Syndrome. The American Journal of Medicine. 2007;120(9):748-753. doi: 10.1016/j.amjmed.2006.10.018Ahmed N, Mandel R, Fain MJ. Frailty: An Emerging Geriatric Syndrome. The American Journal of Medicine. 2007;120(9):748-753. doi: 10.1016/j.amjmed.2006.10.018Antonio CB, Bautista LGC, Labao AB et al. Vertebra fracture classification from 3D CT lumbar spine segmentation masks using a convolutional neural network. 10th Asian Conference on Intelligent Information and Database Systems, ACIIDS 2018. 2018 March 19-21. Dong Hoi City, Vietnam;449-458. doi: 10.1007/978-3-319-75420-8_43Antonio CB, Bautista LGC, Labao AB et al. Vertebra fracture classification from 3D CT lumbar spine segmentation masks using a convolutional neural network. 10th Asian Conference on Intelligent Information and Database Systems, ACIIDS 2018. 2018 March 19-21. Dong Hoi City, Vietnam;449-458. doi: 10.1007/978-3-319-75420-8_43Valentinitsch A, Trebeschi S, Kaesmacher J, et al. Opportunistic osteoporosis screening in multi-detector ct images via local classification of textures. Osteoporosis international. 2019;30(6):1275-1285. doi: 10.1007/s00198-019-04910-1Valentinitsch A, Trebeschi S, Kaesmacher J, et al. Opportunistic osteoporosis screening in multi-detector ct images via local classification of textures. Osteoporosis international. 2019;30(6):1275-1285. doi: 10.1007/s00198-019-04910-1Nicolaes J, Raeymaeckers S, Robben D, et al. Detection of vertebral fractures in CT using 3D Convolutional Neural Networks. Computational Methods and Clinical Applications for Spine Imaging. 2019:3-14. doi: 10.1007/978-3-030-39752-4_1Nicolaes J, Raeymaeckers S, Robben D, et al. Detection of vertebral fractures in CT using 3D Convolutional Neural Networks. Computational Methods and Clinical Applications for Spine Imaging. 2019:3-14. doi: 10.1007/978-3-030-39752-4_1Burns JE, Yao J, Summers RM. Vertebral body compression fractures and bone density: automated detection and classification on CT images. Radiology. 2017;284(3):788-797. doi: 10.1148/radiol.2017162100Burns JE, Yao J, Summers RM. Vertebral body compression fractures and bone density: automated detection and classification on CT images. Radiology. 2017;284(3):788-797. doi: 10.1148/radiol.2017162100Roth HR, Wang Y, Yao J, et al. Deep convolutional networks for automated detection of posterior-element fractures on spine CT. Medical Imaging 2016: Computer-Aided Diagnosis. 2016. doi: 10.1117/12.2217146Roth HR, Wang Y, Yao J, et al. Deep convolutional networks for automated detection of posterior-element fractures on spine CT. Medical Imaging 2016: Computer-Aided Diagnosis. 2016. doi: 10.1117/12.2217146Bar A, Wolf L, Amitai OB, et al. Compression fractures detection on CT. Medical Imaging 2017: Computer-Aided Diagnosis. 2017. doi:10.1117/12.2249635Bar A, Wolf L, Amitai OB, et al. Compression fractures detection on CT. Medical Imaging 2017: Computer-Aided Diagnosis. 2017. doi:10.1117/12.2249635Tomita N, Cheung YY, Hassanpour S. Deep neural networks for automatic detection of osteoporotic vertebral fractures on CT scans. Computers in biology and medicine. 2018;(98);8-15. doi: 10.1016/j.compbiomed.2018.05.011Tomita N, Cheung YY, Hassanpour S. Deep neural networks for automatic detection of osteoporotic vertebral fractures on CT scans. Computers in biology and medicine. 2018;(98);8-15. doi: 10.1016/j.compbiomed.2018.05.011Genant HK, Wu CY, Van KC, et al. Vertebral fracture assessment using a semiquantitative technique. Journal of bone and mineral research. 1993;8(9):1137-1148. doi: 10.1002/jbmr.5650080915Genant HK, Wu CY, Van KC, et al. Vertebral fracture assessment using a semiquantitative technique. Journal of bone and mineral research. 1993;8(9):1137-1148. doi: 10.1002/jbmr.5650080915Указ Президента РФ от 10 октября 2019 г. № 490 «О развитии искусственного интеллекта в Российской Федерации». Доступно по: http://www.kremlin.ru/acts/bank/44731. Ссылка активна на 03.09.2020.Decree of the President of Russian Federation N490 of 10 October 2019. O razvitii iskusstvennogo intellekta v Rossiiskoi Federatsii». (In Russ.). Доступно по: http://www.kremlin.ru/acts/bank/44731. Ссылка активна на 03.09.2020.Adams JE, Lenchik L, Roux C, Genant HK. Vertebral Fracture Initiative. Part II. Radiological Assessment of Vertebral Fracture. [Internet]. [cited 2020 Aug 5]; 49 p. Available from: https://www.iofbonehealth.org/sites/default/files/PDFs/Vertebral%20Fracture%20Initiative/IOF_VFI-Part_II-Manuscript.pdfAdams JE, Lenchik L, Roux C, Genant HK. Vertebral Fracture Initiative. Part II. Radiological Assessment of Vertebral Fracture. [Internet]. [cited 2020 Aug 5]; 49 p. Available from: https://www.iofbonehealth.org/sites/default/files/PDFs/Vertebral%20Fracture%20Initiative/IOF_VFI-Part_II-Manuscript.pdfAlqahtani FF, Offiah AC. Diagnosis of osteoporotic vertebral fractures in children. Pediatric Radiology. 2019;49(3);283-296. doi: 10.1007/s00247-018-4279-5Alqahtani FF, Offiah AC. Diagnosis of osteoporotic vertebral fractures in children. Pediatric Radiology. 2019;49(3);283-296. doi: 10.1007/s00247-018-4279-5Ronneberger O, Fischer P, Brox T. U-net: Convolutional networks for biomedical image segmentation. Medical Image Computing and Computer-Assisted Intervention — MICCAI 2015. 2015 October 4-9. Munich, Germany; 234-241. doi: 10.1007/978-3-319-24574-4_28Ronneberger O, Fischer P, Brox T. U-net: Convolutional networks for biomedical image segmentation. Medical Image Computing and Computer-Assisted Intervention — MICCAI 2015. 2015 October 4-9. Munich, Germany; 234-241. doi: 10.1007/978-3-319-24574-4_28Kingma DP, Ba JL. Adam: A method for stochastic optimization. 3rd International Conference on Learning Representations, ICLR 2015 — Conference Track Proceedings [Internet]. 2015 May 7-9. San Diego, USA. Available from: https://arxiv.org/pdf/1412.6980.pdfKingma DP, Ba JL. Adam: A method for stochastic optimization. 3rd International Conference on Learning Representations, ICLR 2015 — Conference Track Proceedings [Internet]. 2015 May 7-9. San Diego, USA. Available from: https://arxiv.org/pdf/1412.6980.pdfRedmon J, Farhadi A. Yolov3: An incremental improvement. [Internet]. [cited 2020 Jul 20]; 6 p. Available from: https://arxiv.org/pdf/1804.02767.pdfRedmon J, Farhadi A. Yolov3: An incremental improvement. [Internet]. [cited 2020 Jul 20]; 6 p. Available from: https://arxiv.org/pdf/1804.02767.pdfPisov M, Kondratenko V, Zakharov A et al. Keypoints localization for joint vertebra detection and fracture severity quantification. [Internet]. [cited 2020 Jul 20]; 13 p. Available from: https://arxiv.org/pdf/2005.11960.pdfPisov M, Kondratenko V, Zakharov A et al. Keypoints localization for joint vertebra detection and fracture severity quantification. [Internet]. [cited 2020 Jul 20]; 13 p. Available from: https://arxiv.org/pdf/2005.11960.pdfDerkatch S, Kirby C, Kimelman D, Jozani MJ, et al. Identification of Vertebral Fractures by Convolutional Neural Networks to Predict Nonvertebral and Hip Fractures: A Registry-based Cohort Study of Dual X-ray Absorptiometry. Radiology. 2019;293(2):190-201. doi: 10.1148/radiol.2019190201Derkatch S, Kirby C, Kimelman D, Jozani MJ, et al. Identification of Vertebral Fractures by Convolutional Neural Networks to Predict Nonvertebral and Hip Fractures: A Registry-based Cohort Study of Dual X-ray Absorptiometry. Radiology. 2019;293(2):190-201. doi: 10.1148/radiol.2019190201Kim DH, MacKinnon T. Artificial intelligence in fracture detection: transfer learning from deep convolutional neural networks. Clinical Radiology. 2018;73(5):439-445. doi: 10.1016/j.crad.2017.11.015Kim DH, MacKinnon T. Artificial intelligence in fracture detection: transfer learning from deep convolutional neural networks. Clinical Radiology. 2018;73(5):439-445. doi: 10.1016/j.crad.2017.11.015Pickhardt PJ, Pooler BD, Lauder T, et al. Opportunistic Screening for Osteoporosis Using Abdominal Computed Tomography Scans Obtained for Other Indications. Annals of Internal Medicine. 2013;158(8):588-595. doi: 10.7326/0003-4819-158-8-201304160-00003.Pickhardt PJ, Pooler BD, Lauder T, et al. Opportunistic Screening for Osteoporosis Using Abdominal Computed Tomography Scans Obtained for Other Indications. Annals of Internal Medicine. 2013;158(8):588-595. doi: 10.7326/0003-4819-158-8-201304160-00003.Alacreu E, Moratal D, Arana E. Opportunistic screening for osteoporosis by routine CT in Southern Europe. Osteoporosis International. 2017;28(3):983-990. doi: 10.1007/s00198-016-3804-3Alacreu E, Moratal D, Arana E. Opportunistic screening for osteoporosis by routine CT in Southern Europe. Osteoporosis International. 2017;28(3):983-990. doi: 10.1007/s00198-016-3804-3

The authors declare that there are no conflicts of interest present.