Preview

Проблемы Эндокринологии

Расширенный поиск

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

https://doi.org/10.14341/probl12605

Полный текст:

Аннотация

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.

Об авторах

А. В. Петряйкин
Научно-практический клинический центр диагностики и телемедицинских технологий
Россия

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


Конфликт интересов:

Нет конфликта интересов



Ж. Е. Белая
Национальный медицинский исследовательский центр эндокринологии
Россия

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


Конфликт интересов:

Нет конфликта интересов 



А. Н. Киселeва
Научный центр неврологии
Россия

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


Конфликт интересов:

Нет конфликта интересов 



З. Р. Артюкова
Научно-практический клинический центр диагностики и телемедицинских технологий
Россия

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


Конфликт интересов:

Нет конфликта интересов



М. Г. Беляев
Сколковский институт науки и технологий
Россия

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


Конфликт интересов:

Нет конфликта интересов



В. А. Кондратенко
Сколковский институт науки и технологий
Россия

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


Конфликт интересов:

Нет конфликта интересов



М. Е. Писов
Сколковский институт науки и технологий; Институт проблем передачи информации им. А.А. Харкевича РАН
Россия

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


Конфликт интересов:

Нет конфликта интересов



А. В. Соловьев
Научно-исследовательский институт скорой помощи им. Н.В. Склифосовского
Россия

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


Конфликт интересов:

Нет конфликта интересов 



А. К. Сморчкова
Центральная государственная медицинская академия Управления делами Президента Российской Федерации
Россия

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


Конфликт интересов:

Нет конфликта интересов 



Л. Р. Абуладзе
Первый Московский государственный медицинский университет имени И.М. Сеченова (Сеченовский Университет)
Россия

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


Конфликт интересов:

Нет конфликта интересов



И. Н. Киева
Российский университет дружбы народов
Россия

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


Конфликт интересов:

Нет  конфликта интересов 



В. А. Феданов
Центральная государственная медицинская академия Управления делами Президента Российской Федерации
Россия

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


Конфликт интересов:

Нет конфликта интересов



Л. Р. Яссин
Первый Московский государственный медицинский университет имени И.М. Сеченова (Сеченовский Университет)
Россия

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


Конфликт интересов:

Нет конфликта интересов



Д. С. Семёнов
Научно-практический клинический центр диагностики и телемедицинских технологий
Россия

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


Конфликт интересов:

Нет конфликта интересов



Н. Д. Кудрявцев
Национальный медицинский исследовательский центр эндокринологии
Россия

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


Конфликт интересов:

Нет конфликта интересов



С. П. Щелыкалина
Российский национальный исследовательский медицинский университет имени Н.И. Пирогова
Россия

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


Конфликт интересов:

Нет конфликта интересов 



В. В. Зинченко
Научно-практический клинический центр диагностики и телемедицинских технологий
Россия

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


Конфликт интересов:

Нет конфликта интересов



Е. С. Ахмад
Научно-практический клинический центр диагностики и телемедицинских технологий

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


Конфликт интересов:

Нет конфликта интересов 



К. А. Сергунова
Научно-практический клинический центр диагностики и телемедицинских технологий
Россия

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


Конфликт интересов:

Нет конфликта интересов



В. А. Гомболевский
Научно-практический клинический центр диагностики и телемедицинских технологий
Россия

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


Конфликт интересов:

Нет конфликта интересов 



Л. А. Низовцова
Научно-практический клинический центр диагностики и телемедицинских технологий
Россия

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


Конфликт интересов:

Нет конфликта интересов 



А. В. Владзимирский
Научно-практический клинический центр диагностики и телемедицинских технологий
Россия

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


Конфликт интересов:

Нет конфликта интересов



С. П. Морозов
Научно-практический клинический центр диагностики и телемедицинских технологий
Россия

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


Конфликт интересов:

Нет конфликта интересов



Список литературы

1. Мельниченко 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/probl2017636392-426

2. Лесняк 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: 10.21823/2311-2905-2018-24-1-155-168

3. Лесняк 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/osteo201123-6

4. Kanis 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-y

5. Williams 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.2007.08.028

6. Carberry 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.13121632

7. Black 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.1999.14.5.821

8. Ahmed 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.2006.10.018

9. Antonio 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_43

10. Valentinitsch 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/s00198-019-04910-1

11. Nicolaes 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_1

12. Burns 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.2017162100

13. Roth 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: 10.1117/12.2217146

14. Bar A, Wolf L, Amitai OB, et al. Compression fractures detection on CT. Medical Imaging 2017: Computer-Aided Diagnosis. 2017. doi:10.1117/12.2249635

15. Tomita 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.2018.05.011

16. Genant 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.5650080915

17. Указ 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.

18. 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.pdf

19. Alqahtani FF, Offiah AC. Diagnosis of osteoporotic vertebral fractures in children. Pediatric Radiology. 2019;49(3);283-296. doi: 10.1007/s00247-018-4279-5

20. Ronneberger 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_28

21. Kingma 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.pdf

22. Redmon J, Farhadi A. Yolov3: An incremental improvement. [Internet]. [cited 2020 Jul 20]; 6 p. Available from: https://arxiv.org/pdf/1804.02767.pdf

23. Pisov 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.pdf

24. Derkatch 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.2019190201

25. Kim 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.2017.11.015

26. 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.

27. 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/s00198-016-3804-3


Дополнительные файлы

1. Рисунок 1. Схема проведенного исследования
Тема
Тип Исследовательские инструменты
Посмотреть (219KB)    
Метаданные
2. Рисунок 2. Пример разметки: а) разметка вентрального, медиального и дорсального размеров отдельного позвонка (ThII); б) Разметка грудного отдела позвоночника от ThI до ThXI. Приведены данные по семи разметчикам, маркированные цветом (интерфейс валидатора, представлены результаты всех разметок). Ярким цветом подсвечены измерения в плоскости реконструкции, более темные измерения в параллельных плоскостях, отражаемые проекционно.
Тема
Тип Исследовательские инструменты
Посмотреть (243KB)    
Метаданные
3. Рисунок 3. Обзор работы модели Comprise-G. Этап 1: локализация центров позвонков на 3D-КТ а) в корональной; б) в сагиттальной плоскости; в) 3D-модель с непараллельными плоскостями, направленными перпендикулярно позвоночному столбу; г) создание 2D-изображения путем «выпрямления» позвоночника. Этап 2: д) определение ключевых точек и соответствующих высот тел позвонков, расчет индекса G: цветом обозначена степень компрессии позвонка по Genant (зеленый цвет — норма и слабая степень компрессии: 0; 1, желтый — средняя и выраженная 2; 3).
Тема
Тип Исследовательские инструменты
Посмотреть (358KB)    
Метаданные
4. Рисунок 4. ROC-кривые для классификации позвонков (а) и пациентов (б) по степеням компрессии с помощью модели искусственного интеллекта Comprise-G по данным кросс-валидации (N=1249 позвонков, 100 пациентов)
Тема
Тип Исследовательские инструменты
Посмотреть (216KB)    
Метаданные
5. Рисунок 5. ROC-кривые для классификации позвонков (а) и пациентов (б) по степеням компрессии с помощью модели искусственного интеллекта Comprise-G при тестировании на отложенной выборке (N=817 позвонков, 60 пациентов).
Тема
Тип Исследовательские инструменты
Посмотреть (211KB)    
Метаданные
6. Рисунок 6. Таблицы сопряженности классификации позвонков (а) и пациентов (б) по степеням компрессионных переломов, произведенной моделью Comprise-G. Строки — степени компрессии по данным экспертной разметки, столбцы — по измерениям модели
Тема
Тип Исследовательские инструменты
Посмотреть (165KB)    
Метаданные
7. Рисунок 7. Примеры соответствия ручной разметки экспертами (синие точки — отдельные координаты по семи разметчикам) автоматическому измерению моделью Comprise-G (оранжевые отрезки) для трех пациентов. Белые стрелки (а) — выраженный спондилез с формированием замковых остеофитов, черные стрелки (б) — участки вакуум-феномена в межпозвоночных дисках, белая пунктирная стрелка (в) — остеофиты с участком склероза в теле позвонка. Модель демонстрирует устойчивость в данных сложных заданиях.
Тема
Тип Исследовательские инструменты
Посмотреть (290KB)    
Метаданные
8. Рисунок 8. Распределение пациентов по количеству переломов (всех степеней) согласно экспертной разметке N=160.
Тема
Тип Исследовательские инструменты
Посмотреть (88KB)    
Метаданные
9. Рисунок 9. Распределение количества позвонков с компрессионными переломами в грудном отделе позвоночника и первом поясничном позвонке (экспертная разметка), N=160.
Тема
Тип Исследовательские инструменты
Посмотреть (200KB)    
Метаданные

Для цитирования:


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. Технология искусственного интеллекта для распознавания компрессионных переломов позвонков с помощью модели морфометрического анализа, основанной на сверточных нейронных сетях. Проблемы Эндокринологии. 2020;66(5):48-60. https://doi.org/10.14341/probl12605

For citation:


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. Artificial intelligence for diagnosis of vertebral compression fractures using a morphometric analysis model, based on convolutional neural networks. Problems of Endocrinology. 2020;66(5):48-60. (In Russ.) https://doi.org/10.14341/probl12605

Просмотров: 994


ISSN 0375-9660 (Print)
ISSN 2308-1430 (Online)