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.

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