人工智能在椎体压缩性骨折诊断中计算机断层扫描数据的应用经验：从测试到验证

封面图片

如何引用文章

全文:

详细

论证。骨质疏松症通常在出现并发症阶段（低能量骨折）时才被诊断出来。 椎体压缩性骨折是骨质疏松症的一种并发症，同时也是随后不同部位骨折的预测因素，但通常没有症状。在针对其他适应症而进行的计算机断层扫描，借助椎体形态测量可以检测出压缩性骨折。 我们分析了使用人工智能服务诊断椎体压缩性骨折的方法。

目的 — 测试根据胸部计算机断层扫描数据对椎体进行形态测量分析的人工智能服务，并评估其在莫斯科市卫生局医疗机构实践中推广的可能性。

材料和方法。为了设定人工智能服务的临床任务，形成了“椎体压缩性骨折（骨质疏松）”为方向的基本诊断要求。服务通过了以下阶段：自测、功能测试、校准测试、验证和试运行。在前三个阶段，测试是在先前准备好的数据集上进行的。 在验证和试运行阶段，使用人工智能服务对医疗机构的计算机断层扫描的检测数据进行了分析。在各个阶段医生专家小组开展工作，评估服务的诊断准确性和功能实用性。将获得的人工智能服务准确性的定量指标与目标值进行比较。

结果。2021年6月至2022年6月期间测试了两种人工智能服务（№1和№2），它们使用不同的方法来确定是否存在压缩性骨折。 两项服务都成功通过了自测阶段（6次试验），以及功能测试（5次试验）和校准测试（100次试验）。№1服务的ROC曲线下面积为0.99（括号内为 95%置信区间值；0.98-1），№2服务的ROC曲线下面积为 0.91（0.85-0.96）。№1服务通过了验证阶段，没有重大意见，而№2服务则被送去修改。试运行阶段结束后，准确度指标如下：№1服务的ROC曲线下面积为 0.93（0.89-0.96），№2服务的ROC曲线下面积为 0.92（0.90-0.94）。在所有阶段，选定的人工智能服务都显示出足以进行临床验证的指标。

结论。对自动诊断椎体压缩性骨折的人工智能服务进行了测试。人工智能服务表现出很高的工作质量。 基于人工智能的服务可以作为医疗决策支持系统的辅助工具。

作者简介

Zlata R. Artyukova

Research and Practical Clinical Center for Diagnostics and Telemedicine Technologies

编辑信件的主要联系方式.
Email: zl.artyukova@gmail.com
ORCID iD: 0000-0003-2960-9787
SPIN 代码: 7550-2441
俄罗斯联邦, Moscow

Alexey V. Petraikin

Research and Practical Clinical Center for Diagnostics and Telemedicine Technologies

Email: alexeypetraikin@gmail.com
ORCID iD: 0000-0003-1694-4682
SPIN 代码: 6193-1656

MD, Dr. Sci. (Medicine), Assistant Professor

俄罗斯联邦, Moscow

Nikita D. Kudryavtsev

Research and Practical Clinical Center for Diagnostics and Telemedicine Technologies

Email: KudryavtsevND@zdrav.mos.ru
ORCID iD: 0000-0003-4203-0630
SPIN 代码: 1125-8637
俄罗斯联邦, Moscow

Fedor A. Petryaykin

Lomonosov Moscow State University

Email: feda.petraykin@gmail.com
ORCID iD: 0000-0001-6923-3839
SPIN 代码: 7803-1005
俄罗斯联邦, Moscow

Dmitry S. Semenov

Research and Practical Clinical Center for Diagnostics and Telemedicine Technologies

Email: semenovds4@zdrav.mos.ru
ORCID iD: 0000-0002-4293-2514
SPIN 代码: 2278-7290

Cand. Sci. (Engineering)

俄罗斯联邦, Moscow

Daria E. Sharova

Research and Practical Clinical Center for Diagnostics and Telemedicine Technologies

Email: SharovaDE@zdrav.mos.ru
ORCID iD: 0000-0001-5792-3912
SPIN 代码: 1811-7595
俄罗斯联邦, Moscow

Zhanna E. Belaya

Endocrinology Research Centre

Email: jannabelaya@gmail.com
ORCID iD: 0000-0002-6674-6441
SPIN 代码: 4746-7173

MD, Dr. Sci. (Medicine)

俄罗斯联邦, Moscow

Anton V. Vladzimirskyy

Research and Practical Clinical Center for Diagnostics and Telemedicine Technologies; The First Sechenov Moscow State Medical University

Email: VladzimirskijAV@zdrav.mos.ru
ORCID iD: 0000-0002-2990-7736
SPIN 代码: 3602-7120

MD, Dr. Sci. (Medicine)

俄罗斯联邦, Moscow; Moscow

Yuriy A. Vasilev

Research and Practical Clinical Center for Diagnostics and Telemedicine Technologies

Email: VasilevYA1@zdrav.mos.ru
ORCID iD: 0000-0002-0208-5218
SPIN 代码: 4458-5608

MD, Cand. Sci. (Medicine)

俄罗斯联邦, Moscow

参考

  1. Belaya ZhE, Belova KYu, Biryukova EV, et al. Federal clinical guidelines for diagnosis, treatment and prevention of osteoporosis. Osteoporosis and Bone Diseases. 2021;24(2):4–47. doi: 10.14341/osteo12930
  2. Petraikin A, Artyukova Z, Nisovtsova LA, et al. Analysis of the effectiveness of implementing screening of osteoporosis. Manager Zdravoochranenia. 2021;2:31–39. doi: 10.21045/1811-0185-2021-2-31-39
  3. 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
  4. Ziemlewicz TJ, Binkley N, Pickhardt PJ. Opportunistic Osteoporosis Screening: Addition of Quantitative CT Bone Mineral Density Evaluation to CT Colonography. Journal of the American College of Radiology. 2015;12(10):1036–1041. doi: 10.1016/j.jacr.2015.04.018
  5. Rebello D, Anjelly D, Grand DJ, et al. Opportunistic screening for bone disease using abdominal CT scans obtained for other reasons in newly diagnosed IBD patients. Osteoporosis international. 2018;29(6):1359–1366. doi: 10.1007/s00198-018-4444-6
  6. Artyukova ZR, Kudryavtsev ND, Petraikin AV, et al. Using an artificial intelligence algorithm to assess the bone mineral density of the vertebral bodies based on computed tomography data. Medical Visualization. 2023;27(2):125–137. doi: 10.24835/1607-0763-1257
  7. Jang S, Graffy PM, Ziemlewicz TJ, et al. Opportunistic osteoporosis screening at routine abdominal and Thoracic CT: Normative L1 trabecular attenuation values in more than 20 000 adults. Radiology. 2019;291(2):360–367. doi: 10.1148/radiol.2019181648
  8. Smets J, Shevroja E, Hügle T, et al. Machine Learning Solutions for Osteoporosis-A Review. J Bone Miner Res. 2021;36(5):833–851. doi: 10.1002/jbmr.4292
  9. Petraikin AV, Skripnikova IA. Quantitative Computed Tomography, modern data. Review. Medical Visualization. 2021;25(4):134–146. doi: 10.24835/1607-0763-1049
  10. Lenchik L, Rogers LF, Delmas PD, et al. Diagnosis of Osteoporotic Vertebral Fractures: Importance of Recognition and Description by Radiologists. American Journal of Roentgenology. 2004;183(4):949–958. doi: 10.2214/ajr.183.4.1830949
  11. Pinto A, Berritto D, Russo A, et al. Traumatic fractures in adults: Missed diagnosis on plain radiographs in the Emergency Department. Acta Biomedica. 2018;89:111–123. doi: 10.23750/abm.v89i1-S.7015
  12. 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
  13. Vladzimirskii AV, Vasil’ev YuA, Arzamasov KM, et al. Computer Vision in Radiologic Diagnostics: The First Stage of the Moscow Experiment: Monograph. 2nd edition, revised and supplemented. Moscow: Izdatel’skie resheniya; 2023. (In Russ.) EDN: FOYLXK
  14. Genant HK, Wu CY, Cornelis van K, 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
  15. Mosmed.ai [Internet]. State Budgetary Institution of Healthcare of the City of Moscow “Scientific and Practical Clinical Center for Diagnostics and Telemedicine Technologies of the Department of Healthcare of the City of Moscow” [cited 2024 Mar 14]. (In Russ.)Available from: https://mosmed.ai/
  16. Clinical guidelines. Osteoporosis. [Internet]. Ministry of Health of the Russian Federation. [cited 2023 Oct 24]. Available from: https://cr.minzdrav.gov.ru/schema/87_4
  17. The Adult Official Positions of the ISCD [Internet]. The International Society For Clinical Densitometry [cited 2023 Oct 24]. Available from: https://iscd.org/official-positions-2023/
  18. ACR–SPR–SSR practice parameter for the performance of quantitative computed tomography (QCT) bone mineral density [Internet]. American College of Radiology [cited 2023 Oct 24]. Available from: https://www.acr.org/-/media/ACR/Files/Practice-Parameters/qct.pdf
  19. Certificate of the Russian Federation on state registration of the database № 2023621171/ 11.04.2023. Vasil’ev YuA, Turavilova EV, Vladzimirskii AV, et al. MosMedData: CT scan with signs of osteoporosis of the spine. Available from: https://www.elibrary.ru/download/elibrary_52123357_73775308.PDF [cited 2023 Oct 23]. (In Russ.) EDN: SHLWTC
  20. Pisov M, Kondratenko V, Zakharov A, et al. Keypoints Localization for Joint Vertebra Detection and Fracture Severity Quantification. In: Martel AL, et al. Medical Image Computing and Computer Assisted Intervention – MICCAI 2020. MICCAI 2020. Lecture Notes in Computer Science. Vol. 12266. Springer; 2020. P:723–732. doi: 10.1007/978-3-030-59725-2_70
  21. Bar A, Wolf BL, Orna A, et al. Compression fractures detection on CT. Medical Imaging 2017: Computer-Aided Diagnosis. 2017;10134:1013440. doi: 10.48550/arXiv.1706.01671
  22. Lesnyak O, Baranova I, Belova K, et al. Osteoporosis in Russian Federation: epidemiology, socio-medical and economical aspects (review). Traumatology and Orthopedics of Russia. 2018;24(1):155–168. doi: 10.21823/2311-2905-2018-24-1-155-168
  23. Seo JW, Lim SH, Jeong JG, et al. A deep learning algorithm for automated measurement of vertebral body compression from X-ray images. Sci Rep. 2021;11(1):13732. doi: 10.1038/s41598-021-93017-x
  24. Murata K, Endo K, Aihara T, et al. Artificial intelligence for the detection of vertebral fractures on plain spinal radiography. Sci Rep. 2020;10(1):20031. doi: 10.1038/s41598-020-76866-w
  25. Dong Q, Luo G, Lane NE, et al. Deep Learning Classification of Spinal Osteoporotic Compression Fractures on Radiographs using an Adaptation of the Genant Semiquantitative Criteria. Acad Radiol. 2022;29(12):1819–1832. doi: 10.1016/j.acra.2022.02.020
  26. 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: 1016/j.compbiomed.2018.05.011
  27. 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
  28. Yasaka K, Akai H, Kunimatsu A, et al. Prediction of bone mineral density from computed tomography: application of deep learning with a convolutional neural network. Eur Radiol. 2020;30(6):3549–3557. doi: 10.1007/s00330-020-06677-0
  29. Nam KH, Seo I, Kim DH, et al. Machine Learning Model to Predict Osteoporotic Spine with Hounsfield Units on Lumbar Computed Tomography. J Korean Neurosurg Soc. 2019;62(4):442–449. doi: 10.3340/jkns.2018.0178
  30. Zhang J, Liu F, Xu J, et al. Qingqing. Automated detection and classification of acute vertebral body fractures using a convolutional neural network on computed tomography. Frontiers in Endocrinology. 2023;14(1132725):1–10. doi: 10.3389/fendo.2023.1132725
  31. Pickhardt PJ, Dustin PB, Travisи L, et al. Opportunistic Screening for Osteoporosis Using Abdominal Computed Tomography Scans Obtained for Other Indications. Annals of internal medicine. 2013;158(8):588. doi: 10.7326/0003-4819-158-8-201304160-00003
  32. Del Lama RS, Candido RM, Chiari-Correia NS, et al. Computer-Aided Diagnosis of Vertebral Compression Fractures Using Convolutional Neural Networks and Radiomics. J Digit Imaging. 2022;35(3):446–458. doi: 10.1007/s10278-022-00586-y
  33. Morozov SP, Gavrilov AV, Arkhipov IV, et al. Effect of artificial intelligence technologies on the CT scan interpreting time in COVID-19 patients in inpatient setting. Russian Journal of Preventive Medicine. 2022;25(1):14–20. doi: 10.17116/profmed20222501114
  34. Vladzymyrskyy AV, Kudryavtsev ND, Kozhikhina DD, et al. Effectiveness of using artificial intelligence technologies for dual descriptions of the results of preventive lung examinations. Russian Journal of Preventive Medicine. 2022;25(7):7–15. doi: 10.17116/profmed2022250717
  35. Shelepa AA, Petraikin AV, Artyukova ZR, et al. Artificial intelligence for bone mineral density assessment: general population data. Digital Diagnostics. 2022;3(S1):23–24. doi: 10.17816/DD10571

补充文件

附件文件
动作
1. JATS XML
下载
2. Fig. 1. Sequence of passing the artificial intelligence service to the stage of trial operation. ERIS EMIAS — Unified radiological information service "Unified medical information and analytical system"; AI-service — artificial intelligence service; CT OGK — computed tomography of the chest organs.

下载 (151KB)
索引源数据
3. Fig. 2. An example of the Genant-IRA service: an additional curvilinear reconstructed series of a computed tomography study with marking of the target pathology - a compression fracture of the ThXII vertebral body.

下载 (138KB)
索引源数据
4. Fig. 3. Examples of the HealthVCF service: an additional series of computed tomography studies with marking of the target pathology - compression fracture.

下载 (307KB)
索引源数据
5. Fig. 4. Results of calculating accuracy metrics with 95% confidence interval: a — Genant-IRA service; b — HealthVCF service.

下载 (252KB)
索引源数据
6. Fig. 5. ROC curve for determining compression fractures: a — Genant-IRA service (360 studies); b — HealthVCF service (520 studies).

下载 (233KB)
索引源数据
7. Fig. 6. Examples of errors in the Genant-IRA service: a — false positive result: the service marked the calcified intervertebral disc ThXI–ThXII as the vertebral body ThXII with compression deformation >40% (Genant 3); b — false positive result: the service marked the pronounced osteophyte LI as the vertebral body ThXII with compression deformation >40% (Genant 3), while the vertebral body ThXII is not marked; c — false positive result: a patient with severe scoliosis experienced a critical failure of the algorithm (the so-called algorithm breakdown), a failure in constructing the curvilinear reconstruction, and, as a result, incorrect marking of the vertebrae and assessment of the degree of their compression deformation; d — false positive result: erroneous marking and compression deformation of >40% (Genant 3) of the "bodies" of the ThVII and ThVIII vertebrae was detected due to pronounced ring artefacts due to a malfunction of the computer tomography scanner detector. Data on the scanner defect were forwarded to the technical service of the Moscow City Health Department.

下载 (265KB)
索引源数据
8. Fig. 7. Examples of errors in the HealthVCF service: a — false positive result and incorrect localization assessment: no compression deformation >25%; b — false negative result (most likely due to severe kyphosis in the patient): the service did not note compression deformation of the vertebral bodies >25% (ThIV, ThV, ThVI, ThVII, LII), notes were made by an expert (red frames); c — false positive result: no compression deformation >25% of the ThIX vertebral body with Schmorl's node; d — false positive result: the service erroneously identified compression deformation >25% of the ThVIII vertebral body due to severe "ring artefacts" caused by a malfunction of the CT scanner detector. Data on the scanner defect were forwarded to the technical service of the Moscow City Health Department.

下载 (237KB)
索引源数据

版权所有 © Eco-Vector, 2024

Creative Commons License
此作品已接受知识共享署名-非商业性使用-禁止演绎 4.0国际许可协议的许可。

Согласие на обработку персональных данных с помощью сервиса «Яндекс.Метрика»

1. Я (далее – «Пользователь» или «Субъект персональных данных»), осуществляя использование сайта https://journals.rcsi.science/ (далее – «Сайт»), подтверждая свою полную дееспособность даю согласие на обработку персональных данных с использованием средств автоматизации Оператору - федеральному государственному бюджетному учреждению «Российский центр научной информации» (РЦНИ), далее – «Оператор», расположенному по адресу: 119991, г. Москва, Ленинский просп., д.32А, со следующими условиями.

2. Категории обрабатываемых данных: файлы «cookies» (куки-файлы). Файлы «cookie» – это небольшой текстовый файл, который веб-сервер может хранить в браузере Пользователя. Данные файлы веб-сервер загружает на устройство Пользователя при посещении им Сайта. При каждом следующем посещении Пользователем Сайта «cookie» файлы отправляются на Сайт Оператора. Данные файлы позволяют Сайту распознавать устройство Пользователя. Содержимое такого файла может как относиться, так и не относиться к персональным данным, в зависимости от того, содержит ли такой файл персональные данные или содержит обезличенные технические данные.

3. Цель обработки персональных данных: анализ пользовательской активности с помощью сервиса «Яндекс.Метрика».

4. Категории субъектов персональных данных: все Пользователи Сайта, которые дали согласие на обработку файлов «cookie».

5. Способы обработки: сбор, запись, систематизация, накопление, хранение, уточнение (обновление, изменение), извлечение, использование, передача (доступ, предоставление), блокирование, удаление, уничтожение персональных данных.

6. Срок обработки и хранения: до получения от Субъекта персональных данных требования о прекращении обработки/отзыва согласия.

7. Способ отзыва: заявление об отзыве в письменном виде путём его направления на адрес электронной почты Оператора: info@rcsi.science или путем письменного обращения по юридическому адресу: 119991, г. Москва, Ленинский просп., д.32А

8. Субъект персональных данных вправе запретить своему оборудованию прием этих данных или ограничить прием этих данных. При отказе от получения таких данных или при ограничении приема данных некоторые функции Сайта могут работать некорректно. Субъект персональных данных обязуется сам настроить свое оборудование таким способом, чтобы оно обеспечивало адекватный его желаниям режим работы и уровень защиты данных файлов «cookie», Оператор не предоставляет технологических и правовых консультаций на темы подобного характера.

9. Порядок уничтожения персональных данных при достижении цели их обработки или при наступлении иных законных оснований определяется Оператором в соответствии с законодательством Российской Федерации.

10. Я согласен/согласна квалифицировать в качестве своей простой электронной подписи под настоящим Согласием и под Политикой обработки персональных данных выполнение мною следующего действия на сайте: https://journals.rcsi.science/ нажатие мною на интерфейсе с текстом: «Сайт использует сервис «Яндекс.Метрика» (который использует файлы «cookie») на элемент с текстом «Принять и продолжить».