Оппортунистический скрининг остеопороза с использованием сервисов искусственного интеллекта

Обложка

Цитировать

Полный текст

Открытый доступ Открытый доступ
Доступ закрыт Доступ предоставлен
Доступ закрыт Только для подписчиков

Аннотация

Обоснование. В настоящее время активно внедряется подход к диагностике остеопороза (ОП), основанный на рутинных КТ-исследованиях, при которых можно определить признаки ОП. Учитывая проблему гиподиагностики компрессионных переломов (КП) по данным КТ-исследований, предлагается использовать сервисы искусственного интеллекта (ИИ-сервисы) в качестве помощника для врача-рентгенолога.

Цель. Оценить возможность практического применения ИИ-сервисов в диагностике ОП по данным рутинных исследований КТ для реализации оппортунистического скрининга.

Материалы и методы. В проекте приняли участие три медицинские организации (МО). Были отобраны КТ-исследования органов грудной клетки, выполненные в данных МО в период с октября 2022 по октябрь 2023 года у пациентов >50 лет, у которых по данным ИИ-сервисов определили наличие признаков ОП (КП и/или снижение рентгеновской плотности тел позвонков). Каждый случай был повторно пересмотрен врачами-рентгенологами на наличие ошибок сервиса. В МО лечащему врачу был направлен итоговый список пациентов, которым необходимо пройти обследование методом двухэнергетической рентгеновской абсорбциометрии (ДРА) для подтверждения диагноза «остеопороз».

Результаты. За 12 месяцев ИИ-сервисами было проанализировано 5394 КТ-исследования. У 1125 пациентов были выявлены КП и/или снижение рентгеновской плотности тел позвонков. Были исключены пациенты с ранее установленным диагнозом «остеопороз»; пациенты, которые отказались или не смогли пройти дообследования. ДРА прошли 66 пациентов. Возраст пациентов имел размах от 54 до 86 лет; медиана (Q1-Q3) — 70 (62–74), соотношение мужчин и женщин составило 21 и 79%. По данным ДРА у 26 (39,4%) обследованных пациентов были выявлены показатели минеральной плотности кости, которые соответствуют ОП, у 37 (56,1%) — остеопении, и у 3 (4,5%) — норме. Были рассчитаны метрики точности методик ДРА и оценка рентгеновской плотности костной ткани по КТ: чувствительность — 0,71 и 0,91; специфичность — 0,80 и 0,55; точность — 0,76 и 0,67. Продемонстрированы статистически значимые различия состояний «остеопороз / остеопения / норма», принадлежности пациентов к группе возрастной нормы и группы пациентов, выделенные сервисами ИИ (при p <0,001).

Заключение. Полученные результаты исследования свидетельствуют о целесообразности использования ИИ-сервисов для диагностики ОП по данным рутинных КТ-исследований в качестве компонента оппортунистического скрининга.

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

MD

Россия, 127051, Москва, ул. Петровка, д. 24, стр. 1

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

MD

Россия, 127051, Москва, ул. Петровка, д. 24, стр. 1

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, 127051, Москва, ул. Петровка, д. 24, стр. 1

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. тех. наук

Россия, 127051, Москва, ул. Петровка, д. 24, стр. 1

Антон Вячеславович Владзимирский

Научно-практический клинический центр диагностики и телемедицинских технологий; Первый Московский государственный медицинский университет им. И.М. Сеченова (Сеченовский университет)

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

д-р мед. наук

Россия, 127051, Москва, ул. Петровка, д. 24, стр. 1; Москва

Юрий Александрович Васильев

Научно-практический клинический центр диагностики и телемедицинских технологий

Email: VasilevYA1@zdrav.mos.ru
ORCID iD: 0000-0002-5283-5961
SPIN-код: 4458-5608

канд. мед. наук

Россия, 127051, Москва, ул. Петровка, д. 24, стр. 1

Список литературы

  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 EDN: TUONYE
  2. The International Society For Clinical Densitometry (ISCD). The Adult Official Positions of the ISCD. 2023. Available from: https://iscd.org/official-positions-2023/ Accessed: Apr 18, 2023.
  3. Petryaikin AV, Artyukova ZR, Nizovtsova LA, et al. M 54 Methodological recommendations for conducting dual-energy X-ray absorptiometry. Moscow: GBUZ “NPCC DiT DZM”; 2022. 60 p. (In Russ.).
  4. 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
  5. Gossner J. Missed incidental vertebral compression fractures on computed tomography imaging: More optimism justified. World J Radiol. 2010;21(2):472–473. doi: 10.4329/wjr.v2.i12.472
  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. Vasiliev YuA, Vladzimirsky AV. Computer vision in radiation diagnostics: the first stage of the Moscow Experiment. Moscow: Publishing Solution; 2023. (In Russ.).
  8. Pisov M, Kondratenko V, Zakharov A, et al. Keypoints Localization for Joint Vertebra Detection and Fracture Severity Quantification. Lecture Notes in Computer Science. 2020;12266:723–732. doi: 10.1007/978-3-030-59725-2_70
  9. 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
  10. Cheng X, Zhao K, Zha X, et al. Opportunistic Screening Using Low-Dose CT and the Prevalence of Osteoporosis in China: A Nationwide, Multicenter Study. Journal of Bone and Mineral Research. 2021;36(3):427–435. doi: 10.1002/jbmr.4187
  11. Artificial intelligence services in radiation diagnostics. 2023. Available from: https://mosmed.ai/ Accessed: Apr 18, 2023. (In Russ.).
  12. Genant HK, Wu CY, van Kuijk C, et al. Vertebral fracture assessment using a semiquantitative technique. J Bone Miner Res. 1993;8(9):1137–48. doi: 10.1002/jbmr.5650080915
  13. Petryaikin AV, Belaya ZhE, Belyaev MG, et al. Accuracy of automatic diagnostics of compression fractures of vertebral bodies according to the morphometric algorithm of artificial intelligence. Osteoporosis and Bone Diseases. 2022;25(3):92–93. (In Russ.). doi: 10.14341/osteo13064
  14. Petraikin AV, Artyukova ZR, Kudryavtsev ND, et al. Analysis of Age Distribution of Bone Mineral Density by Dual-Energy X-Ray Absorptiometry. Journal of Radiology and Nuclear Medicine. 2023;104(1):21–29. doi: 10.20862/0042-4676-2023-104-1-21-29 EDN: ULUKYU
  15. Lesnyak OM, Yershova OB, Zakroeva AG, et al. Audit of the Russian Osteoporosis Association. 2020. Р. 44. (In Russ.).
  16. Salari N, Ghasemi H, Mohammadi L, et al. The global prevalence of osteoporosis in the world: a comprehensive systematic review and meta-analysis. Journal of Orthopaedic Surgery and Research. 2021;16(1):609. doi: 10.1186/s13018-021-02772-0
  17. 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
  18. 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
  19. Valentinitsch A, Trebeschi S, Kaesmacher J, et al. Opportunistic osteoporosis screening in multi-detector CT images via local classification of textures. Osteoporos Int. 2019;30(6):1275–1285. doi: 10.1007/s00198-019-04910-1
  20. 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
  21. 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
  22. Zhang J, Liu J, Liang Z, et al. Differentiation of acute and chronic vertebral compression fractures using conventional CT based on deep transfer learning features and hand-crafted radiomics features. BMC Musculoskeletal Disorders. 2023;24(1):165. doi: 10.1186/s12891-023-06281-5
  23. Certificate of State registration of the database No. 2023621171 Russian Federation. Vasiliev YuA, Turavilova EV, Vladzimirsky AV, et al. MosMedData: CT scan with signs of spinal osteoporosis. The applicant is the State Budgetary Healthcare Institution 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”. Registration date: 04/11/2023. (In Russ.).
  24. Vasiliev YuA, Vlazimirsky AV, Omelyanskaya OV, et al. Methodology for testing and monitoring artificial intelligence-based software for medical diagnostics. Digital Diagnostics. 2023;4(3):252−267. doi: 10.17816/DD321971 EDN: UEDORU
  25. Bobrovskaya TM, Kirpichev YS, Savkina EF, Chetverikov SF, Arzamasov KM. Development and validation of a tool for statistical comparison of roc-curves using the example of algorithms based on artificial intelligence technologies Medical doctor and information technologies. 2023;3:4–15. doi: 10.25881/18110193_2023_3_4 EDN: CUFICX
  26. 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 EDN: FQACCV
  27. Petraikin AV, Belaya ZhE, Kiseleva AN, et al. Artificial intelligence for diagnosis of vertebral compression fractures using a morphometric analysis model, based on convolutional neural networks. Problems of Endocrinology. 2020;66(5):48–60. doi: 10.14341/probl12605 EDN: GLXSYG
  28. Löffler MT, Jacob A, Scharr A, et al. Automatic opportunistic osteoporosis screening in routine CT: improved prediction of patients with prevalent vertebral fractures compared to DXA. Eur Radiol. 2021;31(8):6069–6077. doi: 10.1007/s00330-020-07655-2
  29. Petraikin AV, Toroptsova NV, Nikitsinskaya OA, et al. Using asynchronous quantitative computed tomography for opportunistic screening of osteoporosis. Rheumatology Science and Practice. 2022;60(3):360–368. doi: 10.47360/1995-4484-2022-360-368 EDN: KTYJHB
  30. Mikhailov EE, Benevolenskaya LI. Epidemiology of osteoporosis and fractures. In: A Guide to Osteoporosis. Moscow: BINOM. Laboratory of Knowledge; 2003: 10–55. (In Russ.).
  31. 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 EDN: QRZZKS
  32. 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 EDN: JNUMFN

Дополнительные файлы

Доп. файлы
Действие
1. JATS XML
Скачать
2. Рис. 1. Схема реализации пилотного исследования. ДРА — двухэнергетическая рентгеновская абсорбциометрия, ИИ — искусственный интеллект, КД — компрессионная деформация, КП — компрессионный перелом, КТ ОГК — компьютерная томография органов грудной клетки, МО — медицинская организация, МПК — минеральная плотность кости, ОП — остеопороз, РП — рентгеновская плотность.

Скачать (432KB)
Метаданные
3. Рис. 2. Пример реализации скрининга (женщина, 84 года): a — дополнительная серия КТ-исследования; b — двухэнергетическая рентгеновская абсорбциометрия поясничного отдела позвоночника и проксимального отдела бедра. Пациентке в январе 2023 года была выполнена компьютерная томография органов грудной клетки. Данное КТ-исследование проанализировал ИИ-сервис (Genant-IRA) и выявил признаки остеопороза (компрессионная деформация тела позвонка Th12 до 32%, рентгеновская плотность тел позвонков Th11, L1, L2 менее 100 HU). После этого пациентке была назначена двухэнергетическая рентгеновская абсорбциометрия. Исследование было выполнено в мае 2023 года. По данным денситометрии минеральная плотность кости соответствует остеопорозу. КТ — компьютерная томография, ИИ — искусственный интеллект.

Скачать (310KB)
Метаданные
4. Рис. 3. Результаты, полученные при двухэнергетической рентгеновской абсорбциометрии. ДРА — двухэнергетическая рентгеновская абсорбциометрия.

Скачать (160KB)
Метаданные
5. Рис. 4. Распределение по полу и минеральной плотности кости пациентов, которым была выполнена двухэнергетическая рентгеновская абсорбциометрия.

Скачать (206KB)
Метаданные

© Эко-Вектор, 2025

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».