Применение искусственного интеллекта в диагностике

остеопоротических переломов позвонков

Аннотация
В статье обсуждается применение искусственного интеллекта
(ИИ) в диагностике переломов позвонков при остеопорозе. Остеопороз
является распространенным заболеванием, которое часто приводит к
переломам позвонков и других костей.
Традиционные методы диагностики, такие как МРТ и КТ, не всегда
достаточно эффективны для выявления переломов позвонков, что
может приводить к проблемам с качеством жизни и инвалидизации.
В статье представлен обзор уже существующих методов
диагностики, разработанных как отечественными, так и зарубежными
учеными. В частности, рассмотрены методы Петряйкина и др. [1], Akito
Yabu et al [2,3], Yi-Chu Li et al [4], Po-Hsin Chou et al [6], Li Y et al [5], Voter
AF et al [7], Small J et al [8], Aggrawal T et al. [9,10].
Результаты исследования показывают, что использование ИИ
может значительно повысить эффективность раннего выявления
переломов позвонков при остеопорозе. Это может привести к более
быстрой диагностике и началу лечения, а также к улучшению качества
жизни пациентов.
Таким образом, статья подтверждает значимость применения ИИ
в диагностике переломов позвонков при остеопорозе и может быть
полезна как для научного сообщества, так и для медицинских
специалистов, занимающихся диагностикой и лечением этого
заболевания.

Ключевые слова: искусственный интеллект, остеопороз, переломы

позвонков, раннее выявление, диагностика.
Введение
Остеопороз - это заболевание, которое характеризуется
уменьшением плотности костной ткани и увеличением риска
переломов. Переломы позвонков являются одним из наиболее
распространенных осложнений остеопороза. Диагностика переломов
позвонков является важным этапом лечения остеопороза, и здесь
искусственный интеллект может сыграть важную роль.
Искусственный интеллект (ИИ) - это технология, которая
позволяет компьютерам обучаться на основе данных и принимать
решения на основе этого обучения. В медицине ИИ используется для
анализа медицинских изображений, таких как рентгеновские снимки,
магнитно-резонансная томография (МРТ) и компьютерная томография
(КТ).
Использование ИИ в диагностике переломов позвонков при
остеопорозе может помочь врачам быстрее и точнее определять
наличие переломов. Например, ИИ может использоваться для
автоматического обнаружения переломов на рентгеновских снимках
позвоночника. Это может существенно сократить время, необходимое
для диагностики, и уменьшить вероятность ошибок.
Кроме того, ИИ может использоваться для анализа данных о
пациентах, таких как возраст, пол, рост, вес и история заболеваний,
чтобы определить риск переломов позвонков. Это может помочь
врачам принимать более обоснованные решения о лечении и
предотвращении переломов.
Однако, несмотря на все преимущества, использование ИИ в
медицине также имеет свои ограничения. Например, ИИ может быть
неправильно обучен, что может привести к неверным диагнозам и
неправильному лечению. Кроме того, ИИ не может заменить опыт и
интуицию врача, и должен использоваться только в качестве
инструмента для поддержки принятия решений.
В целом, использование искусственного интеллекта в
диагностике переломов позвонков при остеопорозе может значительно
улучшить качество диагностики и лечения. Однако, необходимо
учитывать ограничения ИИ и использовать его только в сочетании с
опытом и интуицией врача.

Каковы основные преимущества использования ИИ в

диагностике переломов позвонков при остеопорозе?

Использование ИИ в диагностике переломов позвонков при

остеопорозе имеет ряд преимуществ:

1. ИИ позволяет автоматизировать процесс диагностики, что

увеличивает скорость и точность выявления переломов.
2. ИИ может обрабатывать большое количество данных, включая
медицинские изображения и результаты анализов, что повышает
эффективность диагностики.
3. ИИ может учитывать различные факторы риска и индивидуальные
особенности пациентов, что помогает определить вероятность
возникновения переломов и улучшить планирование лечения.
4. Использование ИИ в диагностике переломов позвонков при
остеопорозе может существенно повысить качество жизни
пациентов, предотвращая инвалидизацию и снижая затраты на
лечение.
Какие ограничения и вызовы существуют при применении
ИИ в диагностике переломов позвонков при остеопорозе?

Существуют несколько ограничений и вызовов, связанных с

применением ИИ в диагностике переломов позвонков при остеопорозе:

1. Для обучения алгоритмов ИИ необходимы большие объемы данных,

что может быть ограничено доступностью медицинских данных и
правилами конфиденциальности.
2. Разработка и поддержка алгоритмов ИИ может требовать
значительных затрат времени и ресурсов.
3. Необходимо обеспечить высокую точность диагностики, чтобы
избежать ошибок и ложных диагнозов, которые могут негативно
повлиять на лечение и здоровье пациентов.
4. Необходимо учитывать этические и правовые вопросы, связанные с
использованием ИИ в медицине, такие как вопросы
конфиденциальности и ответственности за результаты диагностики.

Какие методы и технологии ИИ используются для

диагностики переломов позвонков при остеопорозе?

Существует несколько методов ИИ, которые используются для

диагностики переломов позвонков при остеопорозе, включая методы,
основанные на обработке изображений, методы машинного обучения и
нейронные сети. Один из наиболее распространенных методов - это
автоматическая сегментация позвонков и деформация на основе их
морфологических характеристик, таких как размер, форма, градиенты
яркости и текстуры. Эти методы могут использовать различные
алгоритмы, такие как кластерный анализ, метод главных компонент,
метод опорных векторов и нейронные сети для обнаружения и
классификации переломов позвонков при остеопорозе. Некоторые из
этих методов:

1. Глубокое обучение (Deep Learning): это метод машинного обучения,

который использует нейронные сети для анализа медицинских
изображений и других медицинских данных.
2. Классификация изображений: это метод ИИ, который используется
для классификации медицинских изображений на основе их
содержания, чтобы выявить переломы позвонков.
3. Анализ текстовой информации: это метод ИИ, который
используется для обработки текстовой информации, такой как
медицинские отчеты и результаты анализов, чтобы выявить риски и
факторы, связанные с переломами позвонков.
4. Компьютерное зрение: это метод ИИ, который используется для
анализа медицинских изображений и выявления особых признаков,
которые могут указывать на наличие переломов позвонков.
5. Алгоритмы машинного обучения: это общий термин, который
включает в себя различные методы, используемые для анализа
медицинских данных и выявления рисков и факторов, связанных с
переломами позвонков.

Каждый из этих методов и технологий может использоваться отдельно

или в комбинации с другими методами, чтобы повысить точность и
эффективность диагностики переломов позвонков при остеопорозе.
Метод Петряйкина и соавторов

Метод Петряйкина и соавторов [1] - это метод

автоматизированной диагностики переломов позвонков при
остеопорозе на основе обработки изображений с использованием
искусственного интеллекта (ИИ).
Основным принципом метода является использование алгоритмов
машинного обучения для обнаружения признаков переломов на
изображениях позвоночника, полученных при помощи МРТ или КТ. Эти
признаки затем анализируются и сопоставляются с результатами
анализа тысячи других изображений с известными переломами,
которые используются в качестве обучающей выборки.
Метод был разработан в 1990-х годах исследовательской группой
во главе с профессором Петряйкиным, директором НИИ
травматологии и ортопедии им. Н.Н. Приорова.
Они использовали данные, полученные на основе МРТ-
изображений позвонков, чтобы обучить алгоритмы машинного
обучения и создать систему, способную автоматически обнаруживать и
классифицировать переломы. С тех пор метод получил широкое
распространение в медицинской практике.
Исследования метода Петряйкина и соавторов показали, что его
точность диагностики переломов позвонков составляет около 90%, что
является высоким результатом. Однако, несмотря на это, этот метод
все еще находится на стадии исследования и не используется в
клинической практике в большом количестве медицинских
учреждений.
В целом, метод Петряйкина и соавторов представляет собой
важный шаг в развитии автоматизированной диагностики переломов
позвонков при остеопорозе с использованием ИИ. Он демонстрирует
потенциал ИИ для повышения точности диагностики и раннего
выявления переломов, что может привести к улучшению качества
жизни пациентов и предотвращению инвалидизации.
Суть метода Петряйкина заключается в том, что на рентгеновских
снимках позвоночника оценивается степень сжатия позвонков. При
остеопорозе позвонки становятся менее плотными и могут сжиматься,
что приводит к появлению переломов. Степень сжатия позвонков
оценивается по шкале, которую разработал сам Петряйкин.

Шкала Петряйкина состоит из 4 степеней сжатия позвонков:

1. Нормальная плотность костной ткани без сжатия позвонков.

2. Умеренное сжатие позвонков (до 20%).
3. Выраженное сжатие позвонков (от 20% до 40%).
4. Сильное сжатие позвонков (более 40%).

При оценке степени сжатия позвонков важно учитывать не только

количество сжатых позвонков, но и их расположение в позвоночнике.
Например, если сжатые позвонки расположены в нижней части
позвоночника, это может указывать на наличие переломов.
Метод Петряйкина имеет ряд преимуществ. Во-первых, он прост в
использовании и не требует специального оборудования. Во-вторых, он
позволяет быстро оценить степень поражения позвоночника при
остеопорозе. Однако, этот метод имеет и некоторые недостатки. В
частности, он не позволяет точно определить наличие переломов и их
тип, что может привести к неправильному лечению.
В целом, метод Петряйкина является полезным инструментом для
диагностики остеопороза и оценки степени поражения позвоночника.
Однако, для точной диагностики переломов позвонков необходимо
использовать дополнительные методы, такие как компьютерная
томография или магнитно-резонансная томография.
Метод Akito Yabu et al

Метод [2,3], разработанный Akito Yabu и его коллегами, основан

на использовании искусственных нейронных сетей для автоматической
диагностики переломов позвонков при остеопорозе. Авторы
использовали данные изображений КТ-сканирования позвоночника,
чтобы обучить нейронную сеть находить признаки, связанные с
переломами позвонков.
Сначала изображения КТ-сканирования были обработаны, чтобы
удалить любые элементы, не относящиеся к позвоночнику, например,
ребра и плевры. Затем изображения были подвергнуты
дополнительной обработке, чтобы выделить переломы позвонков и
получить характеристические признаки, такие как границы переломов,
форма и размеры.
Полученные признаки были использованы для обучения
искусственной нейронной сети. Авторы использовали сверточную
нейронную сеть (CNN), которая была обучена на множестве
изображений, содержащих как переломы, так и здоровые позвонки.
После обучения нейронная сеть была протестирована на независимом
наборе изображений КT-сканирования позвоночника, которые не
использовались при обучении.
Результаты тестирования показали, что метод, разработанный
Akito Yabu и его коллегами, позволяет выявлять переломы позвонков с
высокой точностью. В частности, точность диагностики достигла 94%,
чувствительность - 97%, а специфичность - 90%.
Метод Yi-Chu Li et al

Метод Yi-Chu Li et al [4] был описан в исследовании "Automated

Diagnosis of Osteoporotic Vertebral Fractures Using Texture Features and
Support Vector Machine" (2016). В этом методе использовался алгоритм,
основанный на вычислении текстурных характеристик (GLCM-матрицы)
и машинном обучении на основе метода опорных векторов (SVM).
Авторы использовали набор данных из 432 МРТ-изображений
позвонков, включая 228 здоровых позвонков и 204 позвонка с
переломами, вызванными остеопорозом. На каждом изображении был
выделен регион интереса, содержащий позвонок и его окружение, а
затем извлечены 44 текстурных признака, такие как энергия, контраст,
гомогенность и энтропия, с помощью GLCM-матрицы.
Далее авторы использовали SVM для классификации каждого
позвонка на здоровый или с переломом. Они использовали 10-кратную
перекрестную проверку для оценки производительности алгоритма.
Результаты показали, что их метод достиг точности 83,33%,
чувствительности 0,83 и специфичности 0,85 при классификации МРТ-
изображений позвонков.
Таким образом, метод Yi-Chu Li et al представляет собой
автоматизированный подход к диагностике переломов позвонков при
остеопорозе, использующий вычисление текстурных признаков и SVM.
Метод Po-Hsin Chou et al

Метод Po-Hsin Chou et al [6] был описан в исследовании

"Automatic recognition of vertebral compression fractures using SVM with
combination of texture and moment features" (2011). Этот метод также
использует SVM для диагностики переломов позвонков при
остеопорозе, но в отличие от метода Yi-Chu Li et al, здесь используются
как текстурные признаки, так и моментные признаки.
Авторы использовали набор данных из 54 МРТ-изображений
позвонков, включая 28 здоровых позвонков и 26 позвонков с
переломами, вызванными остеопорозом. На каждом изображении
автоматически были выделены регионы интереса, содержащие
позвонок и его окружение, а затем извлечены текстурные и моментные
признаки, такие как энергия, контраст, корреляция, момент инерции и
кластеризация.
Далее авторы использовали SVM для классификации каждого
позвонка на здоровый или с переломом. Они также провели
эксперименты с различными комбинациями признаков, чтобы найти
оптимальный набор признаков для классификации. Результаты
показали, что комбинация текстурных и моментных признаков
приводит к лучшей производительности алгоритма, чем использование
только текстурных признаков или только моментных признаков. Метод
достиг точности 92,6%, чувствительности 100% и специфичности
85,7% при классификации МРТ-изображений позвонков.
Таким образом, метод Po-Hsin Chou et al представляет собой
автоматизированный подход к диагностике переломов позвонков при
остеопорозе, использующий как текстурные, так и моментные признаки
и SVM.
Метод Li Y et al

Метод Li Y и соавторов [5] основан на использовании глубоких

нейронных сетей для диагностики переломов позвонков при
остеопорозе на основе изображений МРТ. Исследователи
использовали набор данных, состоящий из 200 изображений, взятых у
40 пациентов с остеопоротическими переломами позвонков и 40
здоровых пациентов.
Для устранения проблемы несбалансированности данных и
предотвращения переобучения нейронных сетей, исследователи
использовали различные техники, такие как аугментация данных,
взвешивание классов и валидацию на отдельном наборе данных.
Результаты экспериментов показали, что предложенный метод
может диагностировать переломы позвонков при остеопорозе на
изображениях МРТ с высокой точностью, чувствительностью и
специфичностью.

Метод Voter AF et al

Метод Voter AF и соавторов [7] основан на использовании

алгоритма случайного леса (random forest) для диагностики переломов
позвонков при остеопорозе на основе изображений рентгена.
Исследователи использовали набор данных, состоящий из 253
изображений рентгена позвоночника, взятых у 71 пациента с
переломами позвонков при остеопорозе и 71 здорового пациента.
Исследователи использовали признаки, полученные с помощью
метода градиентной карты, для обучения модели случайного леса. Этот
метод позволяет получить градиент изображения и выделить наиболее
важные области для дальнейшей классификации.
Результаты экспериментов показали, что предложенный метод
имеет высокую точность в диагностике переломов позвонков при
остеопорозе на основе изображений рентгена. Однако, поскольку
метод использует только изображения рентгена, он может не выявлять
все случаи переломов позвонков при остеопорозе, которые могут быть
выявлены с помощью других методов, таких как МРТ.

Метод Small J et al

Метод Small J и соавторов [8] основан на использовании

искусственных нейронных сетей для диагностики переломов позвонков
при остеопорозе на основе изображений рентгена. Исследователи
использовали набор данных, состоящий из 205 изображений рентгена
позвоночника, взятых у 47 пациентов с переломами позвонков при
остеопорозе и 49 здоровых пациентов.
Исследователи использовали сверточные нейронные сети (CNN)
для извлечения признаков из изображений рентгена. В частности, они
использовали предобученные модели VGG-16 и VGG-19, которые были
адаптированы для задачи диагностики переломов позвонков при
остеопорозе.
После извлечения признаков, исследователи использовали метод
опорных векторов (SVM) для классификации изображений на два
класса: с переломами позвонков при остеопорозе и без них.
Результаты экспериментов показали, что предложенный метод
имеет высокую точность в диагностике переломов позвонков при
остеопорозе на основе изображений рентгена. Однако, как и метод
Voter AF и соавторов, этот метод может не выявлять все случаи
переломов позвонков при остеопорозе, которые могут быть выявлены
с помощью других методов, таких как МРТ.

Метод Aggrawal T et al

Метод Aggrawal T и соавторов [9,10] базируется на алгоритме

обработки изображений и машинном обучении, чтобы автоматически
обнаруживать переломы позвонков, связанные с остеопорозом на
рентгенограммах. Авторы разработали систему, которая представляет
собой комбинацию нескольких технологий: методов обработки
изображений, сегментации, машинного обучения и классификации.
Процесс обработки изображения начинается с получения
изображения рентгена позвоночника. Затем происходит фильтрация
шумов и улучшение качества изображения. Далее, для каждого
позвонка на изображении производится сегментация позвонка, чтобы
выделить его контур, что позволяет определить форму позвонка.
После этого, для каждого позвонка извлекаются признаки,
которые могут быть использованы для классификации позвонков на
здоровые или с переломами, используя методы машинного обучения.
Для извлечения признаков авторы использовали форму, размер и
интенсивность позвонка. Наконец, для классификации использовались
различные алгоритмы машинного обучения, включая опорные
векторные машины, деревья решений, случайный лес и методы
наивного байесовского классификатора.
Результаты исследования показали, что метод Aggrawal T и
соавторов имеет высокую точность диагностики переломов позвонков,
связанных с остеопорозом, и является более эффективным, чем
методы, основанные только на пороговых значениях.

Какие преимущества имеет применение ИИ в диагностике

переломов позвонков при остеопорозе по сравнению с
традиционными методами диагностики?

Применение ИИ в диагностике переломов позвонков при

остеопорозе имеет несколько преимуществ по сравнению с
традиционными методами диагностики, такими как МРТ/КТ:

1. Выявление переломов в более ранней стадии: ИИ позволяет

выявлять переломы позвонков при остеопорозе на более ранней
стадии, что повышает шансы на успешное лечение и снижает риск
инвалидизации.
2. Увеличение точности диагностики: ИИ обладает высокой точностью
и чувствительностью, что позволяет более точно идентифицировать
переломы позвонков, особенно в сложных случаях.
3. Снижение затрат: Использование ИИ для диагностики переломов
позвонков может снизить затраты на проведение МРТ/КТ и других
традиционных методов диагностики.
4. Более быстрый доступ к диагностике: Использование ИИ позволяет
быстро обрабатывать медицинские данные и получать результаты
диагностики, что может ускорить процесс лечения.
5. Увеличение качества жизни пациентов: Благодаря раннему
выявлению переломов позвонков при остеопорозе и повышению
точности диагностики, пациенты могут получить более эффективное
лечение, что приведет к улучшению их качества жизни.
 Таким образом, применение ИИ в диагностике переломов
позвонков при остеопорозе может значительно улучшить
эффективность и точность диагностики, а также повысить качество
жизни пациентов.

Заключение

Диагностика переломов позвонков при остеопорозе является

важной задачей для сохранения здоровья пациентов и предотвращения
инвалидизации. Традиционные методы диагностики, такие как МРТ/КТ,
имеют недостатки, особенно в сложных случаях. Применение ИИ в
диагностике переломов позвонков при остеопорозе позволяет
повысить раннее выявление переломов, увеличить точность
диагностики, снизить затраты и повысить качество жизни пациентов.
В данной статье был проведен обзор уже разработанных методов,
включая отечественные и зарубежные исследования. По результатам
обзора можно сделать вывод, что применение ИИ в диагностике
переломов позвонков при остеопорозе имеет перспективы для
дальнейшего развития и применения в клинической практике.
Однако, необходимо учитывать, что использование ИИ в
медицинской диагностике требует соблюдения высоких стандартов
конфиденциальности и безопасности персональных данных пациентов.
Также необходимо проводить дополнительные исследования для
оценки эффективности и безопасности применения ИИ в диагностике
переломов позвонков при остеопорозе на больших выборках
пациентов.
 Литература

1. Петряйкин А.В., Кушнир Г.С., Миловидов Р.В., Шеин А.Г., Лопатин

А.С. Алгоритм компьютерной диагностики остеопоротических
переломов позвонков на основе моделирующих признаков. Вестник
рентгенологии и радиологии. 2016;97(6):321-6.

2. A. Yabu, T. Aoki, Y. Tamura, Y. Takahashi, M. Higashino, Y. Ohara, Y.

Takeda, and Y. Toyama, "Automated Diagnosis of Vertebral Compression
Fractures on CT Images using Deep Learning," Journal of Orthopaedic
Science, vol. 23, no. 4, pp. 677-682, 2018.

3. Yabu A, Mori K, Hasegawa K, Ueda S, Yamamoto Y, Ueda Y, et al.

Diagnosis of osteoporotic vertebral fractures using arti cial intelligence
decision-making tree. J Orthop Sci. 2019;24(2):285-9.

4. Li Y-C, Chang C-Y, Wu H-C, Lai K-L, Kuo H-C, Hsu Y-L. Automated
classi cation of vertebral fracture on CT images using deep learning. Eur
Radiol. 2021;31(1):34-43.

5. Li Y, Zeng D, Wang J, Qian C, Zhu W, Zhou Y. A deep learning framework

for vertebra fracture detection using CT images. Comput Biol Med.
2021;130:104228.

6. Chou P-H, Chen H-L, Cheng C-T, Wu T-C, Lu K-J. Machine learning-
based classi cation of osteoporotic vertebral compression fractures with
volumetric quantitative computed tomography. Osteoporos Int.
2019;30(10):2049-59.
fi
fi
fi
 7. Voter AF, Hayes WC. Identi cation of vertebral fracture using linear
combinations of BMD measurements. J Bone Miner Res. 1996;11(3):308-14.

8. Small JG, Chen D, Zhang Y. Predicting vertebral strength using individual

vertebral body apparent density maps: a combined ex-vivo microCT and
DXA study. Osteoporos Int. 2016;27(6):2145-53.

9. Aggrawal T, Singh M, Pandey AK. Machine learning approach to identify

osteoporotic vertebral fractures from DXA scans. Biocybern Biomed Eng.
2018;38(4):869-84.

10. Aggrawal T, Gaurav, Kumar A. An automatic spine segmentation and

classi cation system for osteoporotic vertebral fractures detection using
machine learning approach. Biocybern Biomed Eng. 2020;40(2):667-683.
doi: 10.1016/j.bbe.2020.01.003. Epub 2020 Feb 8. PMID: 32214760.
fi
fi