Оценка качества работы искусственного интеллекта в выявлении дегенеративных заболеваний пояснично-крестцового отдела позвоночника

Цель: проведение сравнительной оценки выходных данных комплекса обученных моделей сверточных нейронных сетей (convolutional neural network, CNN) и интерпретации патологических изменений поясничного отдела позвоночника врачами-рентгенологами при проведении магнитно-резонансной томографии.
Материал и методы. Собрано более 12 тыс. анонимизированных архивов для формирования обучающего и тестового наборов данных нейросети среди пациентов старше 18 лет. Каждый архив состоял из набора программ в двух плоскостях, содержащих последовательности Т2-TSE, Т1-TSE и Т2 с программой жироподавления. Далее на отобранных исследованиях выполняли разметку в два этапа, заключающуюся непосредственно в ручной разметке и ее проверке специалистами. Обучение CNN проводили отдельно для анализа нормы, качественного определения патологических изменений и количественного анализа. Проверку точности моделей путем сравнительного анализа протоколов пяти врачей-рентгенологов и выходных данных моделей CNN осуществляли в два этапа. На первом, промежуточном этапе оценивали точность работы нейросетей в выявлении выбуханий, протрузий и экструзий дисков, стеноза позвоночно- го канала, латеральных стенозов, фораминальных стенозов, спондилолистеза и артроза межпозвонковых суставов. На итоговом этапе помимо патологий, рассматриваемых на промежуточном этапе, проверяли точность выявления дегенеративных изменений замыкательных пластин, синовита межпозвонковых суставов, дегенерации дисков, остеофитов, переходных позвонков, гипертрофии желтых связок и грыжи Шморля. Эталонное значение для всех рассматриваемых в данной работе патологических изменений определено большинством голосов, и в случае разногласий решение принимал внешний рентгенолог. Затем интерпретации рентгенологов были сопоставлены с интерпретацией обученной модели.
Результаты. Искусственный интеллект (ИИ) продемонстрировал сопоставимые значения чувствительности и специфичности в сравнении с эталонным результатом в группе опытных врачей-рентгенологов для бинарной классификации (наличие/отсутствие) наличия отдельных дегенеративных изменений пояснично-крестцового отдела позвоночника. Для экструзий чувствительность и специфичность результатов ИИ составили 0,88 и 0,97 соответственно, для протрузий – 0,81 и 0,94, для центрального стеноза – 0,87 и 0,98, для латерального стеноза – 0,83 и 0,85, для фораминального стеноза – 0,92 и 0,84, для артроза – 0,85 и 0,50, для дегенерации замыкательных пластин – 0,73 и 0,96, для синовита межпозвонковых суставов – 0,85 и 0,84, для дегенерации дисков – 0,91 и 0,88, для остеофитов – 0,93 и 0,72, для переходных позвонков – 1,0 и 1,0, для спондилолистезов – 0,8 и 1,0, для гипертрофии желтых связок – 0,67 и 0,99, для грыж Шморля – 0,75 и 1,0. Точность количественных характеристик размеров протрузий и экструзий пояснично-крестцового отдела позвоночника показала неудовлетворительные результаты, однако улучшение качества определения данных параметров планируется в последующих работах.
Заключение. Модели ИИ продемонстрировали сопоставимые со специалистами-рентгенологами результаты в обнаружении дегенеративных изменений пояснично-крестцового отдела позвоночника. Последовательное улучшение моделей CNN на основе сравнительной оценки с результатами работы врачей-рентгенологов повышает чувствительность и специфичность выявления патологических изменений.

1. Li H, Luo H, Huan W, et al. Automatic lumbar spinal MRI image segmentation with a multi-scale attention network. Neural Comput Appl. 2021; 33(18): 11589–602. https://doi.org/10.1007/s00521-021-05856-4.

2. Forsberg D, Sjöblom E, Sunshine JL. Detection and labeling of vertebrae in mr images using deep learning with clinical annotations as training data. J Digit Imaging. 2017; 30(4): 406–12. https://doi.org/10.1007/s10278-017-9945-x.

3. Zhou Y, Liu Y, Chen Q, et al. Automatic lumbar MRI detection and identification based on deep learning. J Digit Imaging. 2019; 32(3): 513–20. https://doi.org/10.1007/s10278-018-0130-7.

4. Natalia F, Young JC, Afriliana N, et al. Automated selection of mid-height intervertebral disc slice in traverse lumbar spine MRI using a combination of deep learning feature and machine learning classifier. PLoS One. 2022; 17(1): e0261659. https://doi.org/10.1371/journal.pone.0261659.

5. Wang X, Zhai S, Niu Y. Automatic vertebrae localization and identification by combining deep SSAE contextual features and structured regression forest. J Digit Imaging. 2019; 32(2): 336–48. https://doi.org/10.1007/s10278-018-0140-5.

6. Lewandrowski KU, Muraleedharan N, Eddy SA, et al. Feasibility of deep learning algorithms for reporting in routine spine magnetic resonance imaging. Int J Spine Surg. 2020; 14(s3): S86–97. https://doi.org/10.14444/7131.

7. Hallinan JTPD, Zhu L, Yang K, et al. Deep learning model for automated detection and classification of central canal, lateral recess, and neural foraminal stenosis at lumbar spine MRI. Radiology. 2021; 300(1): 130–8. https://doi.org/10.1148/radiol.2021204289.

8. Jamaludin A, Lootus M, Kadir T, et al. ISSLS Prize in Bioengineering Science 2017: Automation of reading of radiological features from magnetic resonance images (MRIs) of the lumbar spine without human intervention is comparable with an expert radiologist. Eur Spine J. 2017; 26(5): 1374–83. https://doi.org/10.1007/s00586-017-4956-3.

9. Lehnen NC, Haase R, Faber J, et al. Detection of degenerative changes on mr images of the lumbar spine with a convolutional neural network: a feasibility study. Diagnostics. 2021; 11(5): 902. https://doi.org/10.3390/diagnostics11050902.

10. Tsai JY, Hung IYJ, Guo YL, et al. Lumbar disc herniation automatic detection in magnetic resonance imaging based on deep learning. Front Bioeng Biotechnol. 2021; 9: 708137. https://doi.org/10.3389/fbioe.2021.708137.

11. Han Z, Wei B, Leung S, et al. Automated pathogenesis-based diagnosis of lumbar neural foraminal stenosis via deep multiscale multitask learning. Neuroinformatics. 2018; 16(3-4): 325–37. https://doi.org/10.1007/s12021-018-9365-1.

12. Galbusera F, Casaroli G, Bassani T. Artificial intelligence and machine learning in spine research. JOR Spine. 2019; 2(1): e1044. https://doi.org/10.1002/jsp2.1044.

13. Azimi P, Yazdanian T, Benzel EC, et al. A review on the use of artificial intelligence in spinal diseases. Asian Spine J. 2020; 14(4): 543–71. https://doi.org/10.31616/asj.2020.0147.