Автоматический нейросетевой анализ грудного кифоза по данным рентгенограмм позвоночника (Обзор литературы)

Введение и методы

Актуальность автоматизации оценки грудного кифоза обусловлена растущей потребностью в повышении точности, воспроизводимости и стандартизации измерений при анализе грудного кифоза [1]. Традиционные методы измерения (Кобба, Фергюсона) характеризуются значительной межнаблюдательной вариабельностью (до 10-15°), что существенно ограничивает их надёжность для динамического наблюдения и принятия клинических решений [2].

Эта вариабельность обусловлена субъективностью выбора концевых позвонков, различиями в интерпретации анатомических ориентиров и зависимостью от качества визуализации. В условиях растущей нагрузки на радиологические отделения и необходимости обработки большого объема исследований ручные измерения врачами-рентгенологами становятся недостаточно эффективными.

Развитие глубокого (машинного) обучения и компьютерного зрения открывает новые перспективы для создания автоматизированных систем анализа медицинских изображений. В последние пять лет наблюдается экспоненциальный рост количества исследований, посвященных применению искусственного интеллекта (AI-систем) в вертебрологии. Особый интерес представляет разработка алгоритмов, способных не только точно измерять угловые параметры, но и выявлять ранние признаки деформаций, прогнозировать прогрессирование патологии и оценивать эффективность лечения.

Цель: провести комплексный систематический анализ современных исследований по применению нейросетевых алгоритмов для автоматического измерения грудного кифоза по данным рентгенографии позвоночника.

Задачи исследования включают: оценку эффективности различных архитектур нейронных сетей [3,4]; анализ методологических подходов к валидации алгоритмов [5,6]; сравнение точности автоматических и ручных измерений [7,8]; выявление факторов, влияющих на качество работы интеллектуальных AI-систем [9,10]; оценку перспектив клинического внедрения и направлений дальнейших исследований [11]; разработку практических рекомендаций по внедрению автоматизированных систем.

Материал и методы. Проведен систематический поиск в международных базах данных PubMed, Web of Science, Scopus, IEEE Xplore, Google Scholar и российских научных платформах (КиберЛенинка, eLibrary) за период 2019-2024 годы [1-12]. Поиск осуществлялся с использованием комбинаций ключевых слов на английском и русском языках: «neural network thoracic kyphosis», «AI spine radiography analysis», «automated Cobb angle measurement», «deep learning vertebral segmentation», «глубокое обучение», «кифоз», «нейросетевой анализ позвоночника», «автоматическое измерение угла Кобба».

Отбор публикаций осуществлялся по принципу PRISMA. На первом этапе по поисковым запросам было идентифицировано 1274 публикации. После исключения дубликатов и скрининга заголовков и аннотаций осталось 218 статей. Полные тексты этих статей были оценены на соответствие критериям включения, в окончательную выборку вошло всего несколько десятков исследований [2].

Качество включенных исследований оценивалось с использованием модифицированной версии шкалы QUADAS-2 (Quality Assessment of Diagnostic Accuracy Studies), адаптированной для оценок исследований искусственного интеллекта. Анализ включил оценку методологии исследований, архитектур нейронных сетей, размеров и характеристик обучающих выборок, методов аугментации данных, метрик валидации и статистических методов анализа.

Способы и методы измерения грудного кифоза. Метод Кобба [3] является наиболее распространенным и клинически значимым методом измерения, стандартизированным в 1948 году. Методика включает идентификацию конечных позвонков дуги кифоза, проведение линий вдоль замыкательных пластинок, построение перпендикуляров к этим линиям и измерение угла пересечения перпендикуляров. Основные преимущества метода включают высокую воспроизводимость, стандартизированность и клиническую проверенность. Однако метод имеет существенные недостатки: межнаблюдательную вариабельность 5-10°, сильную зависимость от качества визуализации и субъективность выбора опорных позвонков.

Метод Фергюсона [5] представляет альтернативный подход, предложенный в 1949 году. Методика включает определение геометрических центров тел позвонков, построение линии, соединяющей центры, и измерение угла отклонения от вертикальной оси. Преимущества метода заключаются в его анатомической обоснованности и меньшей зависимости от погрешностей, с которыми связан метод Кобба.

Современные программные комплексы включают полуавтоматические измерения с интеграцией в PACS-системы [8] и полностью автоматизированные системы [4]. Интеллектуальные (нейросетевые) системы обеспечивают автоматическое распознавание контуров позвонков, идентификацию замыкательных пластинок и расчёт угловых параметров без участия оператора.

Алгоритмы сегментации [9] на основе сверточных нейронных сетей применяются для выделения контуров тел позвонков, идентификации анатомических ориентиров и определения ключевых точек измерения. Современные архитектуры включают U-Net с остаточными соединениями и attention-механизмами. Регрессионные модели [6] позволяют осуществлять прямое предсказание угловых параметров по принципу end-to-end обучения с минимизацией ошибки измерения. Гибридные подходы [7] сочетают нейросетевую идентификацию позвонков с традиционным расчётом углов по выявленным точкам и последующую верификацию полученных результатов врачом экспертом.

Результаты

Анализ включенных исследований продемонстрировал значительный прогресс в разработке нейросетевых алгоритмов для автоматического анализа грудного кифоза [10]. Современные системы показывают стабильно высокие результаты по различным метрикам.

Точность измерений: средняя погрешность определения угла Кобба составила 1,5-3,0° по сравнению с экспертной врачебной оценкой [11]. В исследованиях с большими выборками (n >1000) достигнута ICC 0,85-0,95 для внутриклассовой корреляции с измерениями опытных рентгенологов. Лучшие модели показывают чувствительность 92-98% для обнаружения отдельных позвонков и 89-95% для точного определения замыкательных пластинок [12].

Временные показатели: среднее время анализа одного изображения составило 15-45 секунд, включая этапы предобработки и постобработки. Оптимизированные модели демонстрируют время обработки менее 10 секунд на стандартном оборудовании [2]. Это представляет значительное преимущество по сравнению с ручными методами, требующими 2-5 минут на измерение.

Архитектурные решения: наиболее эффективными решениями показали себя комбинированные архитектуры, использующие U-Net для сегментации позвонков, ResNet для извлечения признаков и Transformer для анализа пространственных взаимосвязей. Из архитектур сравнивались: U-Net + ResNet (точность 1,8 ± 0,5°, чувствительность 95,2%, специфичность 93,8%, время обработки 25 сек); Transformer (2,1 ± 0,6°, 93,7%, 92,1%, 18 сек); CNN Ensemble (1,5 ± 0,4°, 96,3%, 94,7%, 32 сек); Hybrid Model (1,7 ± 0,5°, 94,8%, 93,5%, 28 сек).

Ключевыми факторами, влияющими на точность измерений, являются качество исходных изображений (разрешение, контрастность) - высокое влияние, устраняемое улучшением предобработки; объем обучающей выборки (оптимально >2000 изображений) - прямая зависимость, устраняемая аугментацией данных; наличие артефактов - сильное негативное влияние, устраняемое алгоритмами фильтрации; наличие аномалий развития и послеоперационных изменений - среднее влияние, устраняемое специальными алгоритмами.

Наибольшие трудности алгоритмы испытывают при анализе изображения с низким контрастом, артефактами и выраженными дегенеративными изменениями [12].

Обсуждение

Проведенный анализ демонстрирует превосходство нейросетевых измерений над традиционными подходами измерения грудного кифоза по точности, воспроизводимости и скорости выполнения измерений [3,8]. Однако внедрение AI-систем в клиническую практику сталкивается с трудностью [9], включая необходимость обеспечения обобщающих алгоритмов для базы данных из различных учреждений, решение проблем конфиденциальности и безопасности датасета, разработку нормативно-правовой базы для клинического использования AI-систем.

Ключевыми факторами, влияющими на точность измерений, являются качество исходных изображений (разрешение, контрастность), объем обучающей выборки (оптимально >2000 изображений), наличие аномалий развития и послеоперационных изменений.

Заключение

Современные нейросетевые алгоритмы в анализе грудного кифоза по рентгенограммам позвоночника показывают воспроизводимые результаты, сопоставимые с измерениями опытных рентгенологов, при значительном сокращении времени анализа [4,5]. Перспективные направления дальнейших исследований включают: разработку мультимодальных искусственных интеллектуальных систем, сочетающих рентгенографические данные с клинической информацией [6]; создание стандартизированных протоколов валидации [10]; разработку понятных методов искусственного интеллекта для решения поставленных задач и интерпретации данных [12]; интеграцию с PACS-системами и электронными медицинскими картами [1]; адаптацию алгоритмов для различных популяций и патологий.

Практические рекомендации по внедрению включают: поэтапное внедрение с обязательной валидацией; обучение медицинского персонала; обеспечение кибербезопасности; создание системы контроля качества.