Опыт применения сервисов искусственного интеллекта для диагностики компрессионных переломов тел позвонков по данным компьютерной томографии: от тестирования до апробации

Обложка

Цитировать

Полный текст

Аннотация

Обоснование. Остеопороз зачастую диагностируется на этапе возникновения осложнений — низкоэнерегетических переломов. Компрессионные переломы тел позвонков — осложнение остеопороза и одновременно предиктор последующих переломов различной локализации — нередко протекают бессимптомно. Компрессионные переломы возможно выявить при исследованиях методом компьютерной томографии, выполненных по другим показаниям, путём проведения морфометрии тел позвонков. Нами проанализированы подходы использования сервисов искусственного интеллекта, предназначенных для диагностики компрессионных переломов тел позвонков.

Цель — тестирование сервисов искусственного интеллекта для проведения морфометрического анализа тел позвонков по данным компьютерной томографии органов грудной клетки, а также оценка возможности их внедрения в практику медицинских организаций Департамента здравоохранения города Москвы.

Материалы и методы. Для постановки клинической задачи сервисам искусственного интеллекта были сформированы базовые диагностические требования по направлению «Компрессионный перелом тел позвонков (остеопороз)». Сервисы проходили следующие этапы: самотестирование, функциональное и калибровочное тестирование, апробацию и опытную эксплуатацию. Для первых трёх этапов тестирование проводилось на ранее подготовленных наборах данных. На этапе апробации и опытной эксплуатации с помощью сервисов искусственного интеллекта анализировали данные исследований методом компьютерной томографии, выполненных в медицинских организациях. На всех этапах работала экспертная группа врачей, оценивая диагностическую точность и функциональную полноценность сервисов. Сравнивались полученные количественные метрики точности работы сервисов искусственного интеллекта с целевыми значениями.

Результаты. В период с июня 2021 по июнь 2022 года проходили тестирование два сервиса искусственного интеллекта (№ 1 и № 2), которые используют отличные друг от друга методы определения наличия компрессионных переломов. Оба сервиса успешно прошли этап самотестирования (6 исследований), а также функциональное (5 исследований) и калибровочное (100 исследований) тестирование. Площадь под ROC-кривой составила 0,99 (здесь и далее в скобках указаны значения 95% доверительного интервала; 0,98–1) для сервиса № 1, и 0,91 (0,85–0,96) для сервиса № 2. Этап апробации сервис № 1 прошёл без существенных замечаний, в то время как сервис № 2 был отправлен на доработку. После этапа опытной эксплуатации были получены следующие метрики точности: для сервиса № 1 площадь под ROC-кривой составила 0,93 (0,89–0,96), для сервиса № 2 — 0,92 (0,90–0,94). На всех этапах выбранные сервисы искусственного интеллекта показали метрики достаточные для клинической валидации.

Заключение. Проведено тестирование сервисов искусственного интеллекта, выполняющих автоматизированную диагностику компрессионных переломов тел позвонков. Продемонстрировано высокое качество их работы. Сервисы на основе искусственного интеллекта могут быть использованы в качестве вспомогательного инструмента в системе поддержки принятия врачебных решений.

Об авторах

Злата Романовна Артюкова

Научно-практический клинический центр диагностики и телемедицинских технологий

Автор, ответственный за переписку.
Email: zl.artyukova@gmail.com
ORCID iD: 0000-0003-2960-9787
SPIN-код: 7550-2441
Россия, Москва

Алексей Владимирович Петряйкин

Научно-практический клинический центр диагностики и телемедицинских технологий

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

д-р мед. наук, доцент

Россия, Москва

Никита Дмитриевич Кудрявцев

Научно-практический клинический центр диагностики и телемедицинских технологий

Email: KudryavtsevND@zdrav.mos.ru
ORCID iD: 0000-0003-4203-0630
SPIN-код: 1125-8637
Россия, Москва

Федор Алексеевич Петряйкин

Московский государственный университет имени М.В. Ломоносова

Email: feda.petraykin@gmail.com
ORCID iD: 0000-0001-6923-3839
SPIN-код: 7803-1005
Россия, Москва

Дмитрий Сергеевич Семёнов

Научно-практический клинический центр диагностики и телемедицинских технологий

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

канд. техн. наук

Россия, Москва

Дарья Евгеньевна Шарова

Научно-практический клинический центр диагностики и телемедицинских технологий

Email: SharovaDE@zdrav.mos.ru
ORCID iD: 0000-0001-5792-3912
SPIN-код: 1811-7595
Россия, Москва

Жанна Евгеньевна Белая

Национальный медицинский исследовательский центр эндокринологии

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

д-р мед. наук

Россия, Москва

Антон Вячеславович Владзимирский

Научно-практический клинический центр диагностики и телемедицинских технологий; Первый Московский государственный медицинский университет имени И.М. Сеченова

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

д-р мед. наук

Россия, Москва; Москва

Юрий Александрович Васильев

Научно-практический клинический центр диагностики и телемедицинских технологий

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

канд. мед. наук

Россия, Москва

Список литературы

  1. Белая Ж.Е., Белова К.Ю., Бирюкова Е.В., и др. Федеральные клинические рекомендации по диагностике, лечению и профилактике остеопороза // Остеопороз и остеопатии. 2021. Т. 24, № 2. С. 4–47. doi: 10.14341/osteo12930
  2. Петряйкин А.В., Артюкова З.Р., Низовцова Л.А., и др. Анализ эффективности внедрения системы скрининга остеопороза // Менеджер здравоохранения. 2021. Т. 2. С. 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. Vol. 28, N 3. P. 983–990. doi: 10.1007/s00198-016-3804-3
  4. Ziemlewicz T.J., Binkley N., Pickhardt P.J. Opportunistic Osteoporosis Screening: Addition of Quantitative CT Bone Mineral Density Evaluation to CT Colonography // Journal of the American College of Radiology. 2015. Vol. 12, N 10. P. 1036–1041. doi: 10.1016/j.jacr.2015.04.018
  5. Rebello D., Anjelly D., Grand D.J., et al. Opportunistic screening for bone disease using abdominal CT scans obtained for other reasons in newly diagnosed IBD patients // Osteoporosis international. 2018. Vol. 29, N 6. P. 1359–1366. doi: 10.1007/s00198-018-4444-6
  6. Артюкова З.Р., Кудрявцев Н.Д., Петряйкин А.В., и др. Применение алгоритма искусственного интеллекта для оценки минеральной плотности тел позвонков по данным компьютерной томографии // Медицинская визуализация. 2023. Т. 27, № 2. С. 125–137. doi: 10.24835/1607-0763-1257
  7. Jang S., Graffy P.M., Ziemlewicz T.J., et al. Opportunistic osteoporosis screening at routine abdominal and Thoracic CT: Normative L1 trabecular attenuation values in more than 20 000 adults // Radiology. 2019. Vol. 291, N 2. P. 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. Vol. 36, N 5. P. 833–851. doi: 10.1002/jbmr.4292
  9. Петряйкин А.В., Скрипникова И.А. Количественная компьютерная томография, современные данные. Обзор // Медицинская визуализация. 2021. Т. 25, № 4. С. 134–146. doi: 10.24835/1607-0763-1049
  10. Lenchik L., Rogers L.F., Delmas P.D., et al. Diagnosis of Osteoporotic Vertebral Fractures: Importance of Recognition and Description by Radiologists // American Journal of Roentgenology. 2004. Vol. 183, N 4. P. 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. Vol. 89. P. 111–123. doi: 10.23750/abm.v89i1-S.7015
  12. Carberry G.A., Pooler B.D., Binkley N., et al. Unreported vertebral body compression fractures at abdominal multidetector CT // Radiology. 2013. Vol. 268, N 1. P. 120–126. doi: 10.1148/radiol.13121632
  13. Владзимирский А.В., Васильев Ю.А., Арзамасов К.М., и др. Компьютерное зрение в лучевой диагностике: первый этап Московского Эксперимента: Монография. 2-е издание, переработанное и дополненное. Москва : Издательские решения, 2023. EDN: FOYLXK
  14. Genant H.K., Wu C.Y., Cornelis van K., et al. Vertebral fracture assessment using a semiquantitative technique // Journal of Bone and Mineral Research. 1993. Vol. 8, N 9. P. 1137–1148. doi: 10.1002/jbmr.5650080915
  15. Mosmed.ai [интернет]. Государственное бюджетное учреждение здравоохранения города Москвы «Научно-практический клинический центр диагностики и телемедицинских технологий Департамента здравоохранения города Москвы» [дата обращения: 14.03.2024]. Доступ по ссылке: https://mosmed.ai/
  16. Клинические рекомендации. Остеопороз. [интернет]. Министерство здравоохранения Российской Федерации. [дата обращения: 24.10.2023]. Доступ по ссылке: https://cr.minzdrav.gov.ru/schema/87_4
  17. The Adult Official Positions of the ISCD [интернет]. The International Society For Clinical Densitometry [дата обращения: 24.10.2023]. Доступ по ссылке: https://iscd.org/official-positions-2023/
  18. ACR–SPR–SSR practice parameter for the performance of quantitative computed tomography (QCT) bone mineral density [интернет]. American College of Radiology. [дата обращения: 24.10.2023]. Доступ по ссылке: https://www.acr.org/-/media/ACR/Files/Practice-Parameters/qct.pdf
  19. Свидетельство РФ о государственной регистрации базы данных № 2023621171/ 11.04.2023. Васильев Ю.А., Туравилова Е.В., Владзимирский А.В., и др. MosMedData: КТ с признаками остеопороза позвоночника. Режим доступа: https://www.elibrary.ru/download/elibrary_52123357_73775308.PDF Дата обращения: 23.10.2023. EDN: SHLWTC
  20. Pisov M., Kondratenko V., Zakharov A., et al. Keypoints Localization for Joint Vertebra Detection and Fracture Severity Quantification. In: Martel A.L., 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 B.L., Orna A., et al. Compression fractures detection on CT // Medical Imaging 2017: Computer-Aided Diagnosis. 2017. Vol. 10134. P. 1013440. doi: 10.48550/arXiv.1706.01671
  22. 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
  23. Seo J.W., Lim S.H., Jeong J.G., et al. A deep learning algorithm for automated measurement of vertebral body compression from X-ray images // Sci Rep. 2021. Vol. 11, N 1. P. 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. Vol. 10, N 1. P. 20031. doi: 10.1038/s41598-020-76866-w
  25. Dong Q., Luo G., Lane N.E., et al. Deep Learning Classification of Spinal Osteoporotic Compression Fractures on Radiographs using an Adaptation of the Genant Semiquantitative Criteria // Acad Radiol. 2022. Vol. 29, N 12. P. 1819–1832. doi: 10.1016/j.acra.2022.02.020
  26. Tomita N., Cheung Y.Y., Hassanpour S. Deep neural networks for automatic detection of osteoporotic vertebral fractures on CT scans // Computers in Biology and Medicine. 2018. Vol. 98. P. 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. Vol. 30, N 6. P. 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. Vol. 30, N 6. P. 3549–3557. doi: 10.1007/s00330-020-06677-0
  29. Nam K.H., Seo I., Kim D.H., et al. Machine Learning Model to Predict Osteoporotic Spine with Hounsfield Units on Lumbar Computed Tomography. J Korean Neurosurg Soc. 2019. Vol. 62, N 4. P. 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. Vol. 14, N 1132725. P. 1–10. doi: 10.3389/fendo.2023.1132725
  31. Pickhardt P.J., Dustin P.B., Travisи L., et al. Opportunistic Screening for Osteoporosis Using Abdominal Computed Tomography Scans Obtained for Other Indications // Annals of internal medicine. 2013. Vol. 158, N 8. P. 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. Vol. 35, N 3. P. 446–458. doi: 10.1007/s10278-022-00586-y
  33. Морозов С.П., Гаврилов А.В., Архипов И.В., и др. Влияние технологий искусственного интеллекта на длительность описаний результатов компьютерной томографии пациентов с COVID-19 в стационарном звене здравоохранения // Профилактическая медицина. 2022. Т. 25, № 1. С. 14–20. doi: 10.17116/profmed20222501114
  34. Владзимирский А.В., Кудрявцев Н.Д., Кожихина Д.Д., и др. Эффективность применения технологий искусственного интеллекта для двойных описаний результатов профилактических исследований легких // Профилактическая медицина. 2022. Т. 25, № 7. С. 7–15. doi: 10.17116/profmed2022250717
  35. Шелепа А.А., Петряйкин А.В., Артюкова З.Р., и др. Применение алгоритма искусственного интеллекта для определения минеральной плотности кости: популяционные данные // Digital Diagnostics. 2022. Т. 3, № S1. С. 23–24. doi: 10.17816/DD105714

Дополнительные файлы

Доп. файлы
Действие
1. JATS XML
Скачать
2. Рис. 1. Последовательность прохождения сервиса искусственного интеллекта до этапа опытной эксплуатации. ЕРИС ЕМИАС — Единый радиологический информационный сервис «Единая медицинская информационно-аналитическая система»; ИИ-сервис — сервис искусственного интеллекта; КТ ОГК — компьютерная томография органов грудной клетки.

Скачать (151KB)
Метаданные
3. Рис. 2. Пример работы сервиса Genant-IRA: дополнительная криволинейная реконструированная серия компьютерного томографического исследования с разметкой целевой патологии — компрессионного перелома тела позвонка ThXII.

Скачать (138KB)
Метаданные
4. Рис. 3. Примеры работы сервиса HealthVCF: дополнительная серия компьютерного томографического исследования с разметкой целевой патологии — компрессионного перелома.

Скачать (307KB)
Метаданные
5. Рис. 4. Результаты расчёта метрик точности с 95% доверительным интервалом: a — сервис Genant-IRA; b — сервис HealthVCF.

Скачать (252KB)
Метаданные
6. Рис. 5. ROC-кривая определения компрессионных переломов: a — сервис Genant-IRA (360 исследований); b — сервис HealthVCF (520 исследований).

Скачать (233KB)
Метаданные
7. Рис. 6. Примеры ошибок работы сервиса Genant-IRA: a — ложноположительный результат: сервис отметил обызвествлённый межпозвонковый диск ThXI–ThXII как тело позвонка ThXII с компрессионной деформацией >40% (Genant 3); b — ложноположительный результат: сервис отметил выраженный остеофит LI как тело позвонка ThXII с компрессионной деформацией >40% (Genant 3), при этом тело позвонка ThXII не размечено; c — ложноположительный результат: у пациента с выраженным сколиозом произошло критическое нарушение работы алгоритма (так называемый слом алгоритма), нарушение построения криволинейной реконструкции, как следствие — некорректная разметка позвонков и оценка степени их компрессионной деформации; d — ложноположительный результат: ошибочно проведена разметка и выявлена компрессионная деформация >40% (Genant 3) «тел» позвонков ThVII и ThVIII вследствие выраженных ring artefacts из-за неисправности детектора компьютерного томографического сканера. Данные о дефекте сканера переданы в техническую службу Департамента здравоохранения города Москвы.

Скачать (265KB)
Метаданные
8. Рис. 7. Примеры ошибок работы сервиса HealthVCF: a — ложноположительный результат и некорректная оценка локализации: отсутствие компрессионной деформации >25%; b — ложноотрицательный результат (вероятнее всего — из-за выраженного кифоза у пациента): сервис не отметил компрессионную деформацию тел позвонков более 25% (ThIV, ThV, ThVI, ThVII, LII), отметки сделаны экспертом (красные рамочки); c — ложноположительный результат: отсутствует компрессионная деформация >25% тела позвонка ThIX с грыжей Шморля; d — ложноположительный результат: сервисом ошибочно выявлена компрессионная деформация >25% тела позвонка ThVIII вследствие выраженных «ring artefacts» из-за неисправности детектора компьютерного томографического сканера. Данные о дефекте сканера переданы в техническую службу Департамента здравоохранения города Москвы.

Скачать (237KB)
Метаданные

© Эко-вектор, 2024

Creative Commons License
Эта статья доступна по лицензии Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International License.

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».