Возможности искусственного интеллекта в классификации патологий позвоночника на современном этапе развития: систематический обзор

ВВЕДЕНИЕ: Большой объем информации, в том числе растущая численность населения и количество исследований значительно повышает нагрузку на врача любой специальности, в частности на врача-рентгенолога. Цифровизация исследований позволяет облегчить процессы диагностики, ведь грамотное программное обеспечение помогает специалисту быстрее обнаружить патологический процесс, а значит быстрее начать столь необходимое лечение. Одной из наиболее быстро развивающихся и важных моделей программного обеспечения для этих целей являются нейросети.

ЦЕЛЬ: Определение возможностей нейросетей в вертебрологии на современном этапе их развития в области такой функции нейросетей, как классификация.

МАТЕРИАЛЫ И МЕТОДЫ: При помощи протокола PRISMA был произведен поиск в базе данных Pubmed за период с января 2017 по 31 декабря 2023 г. при помощи ключевых слов.

РЕЗУЛЬТАТЫ: Для систематического обзора было отобрано 34 статьи, в которых описывалась такая функция нейросетей, как классификация.

ОБСУЖДЕНИЕ: По результатам анализа источников литературы сделаны выводы о полезности применения искусственного интеллекта на современном этапе развития в вертебрологии в такой функции, как классификация.

ЗАКЛЮЧЕНИЕ: Для такой функции нейросети, как классификация, в отношении патологических изменений позвоночника не все так однозначно. В выявлении дегенеративных изменений хорошие результаты касаются в основном только центрального стеноза позвоночного канала, а результаты выявления стенозов боковых карманов и фораминальных стенозов неопределенные. Что касается переломов позвоночника, то здесь наметился абсолютный лидер — GoogleNet. За GoogleNet лидирует две сети — DCNN собственной разработки (Germann C. et al.) и комбинации многослойного перцептрона и методик 3D-радиомики (Chiari-Correia N.S. et al.). В задачи классификации опухолей позвоночника выделяется только одна сеть — ResNet 50, результаты же прочих архитектур значительно отстают и нуждаются в дальнейшей доработке.

1. Jamshidi M., Rajabian M., Avery M.B. et al. A novel self-expanding primarily bioabsorbable braided flow-diverting stent for aneurysms: initial safety results // Journal of neurointerventional surgery. 2020. Vol. 12, No. 7. P. 700–705. doi: 10.1136/neurintsurg-2019-015555.

2. Swart N., Maroni R., Muldrew B. et al. Economic evaluation of Cytosponge®-trefoil factor 3 for Barrett esophagus: A cost-utility analysis of randomised controlled trial data // EClinicalMedicine. 2021. Vol. 37. doi: 10.1016/j.eclinm.2021.100969.

3. Albers G.W., Marks M.P., Kemp S. et al. Thrombectomy for Stroke at 6 to 16 Hours with Selection by Perfusion Imaging: Albers G.W., Marks M.P., Kemp S. et al. // N. Engl. J. Med. 2018. Vol. 378. Р. 708–718 // Journal of Emergency Medicine. 2018. Vol. 55, No. 1. P. 151. doi: 10.1056/NEJMoa1713973

4. Thong L.T., Chou H.S., Chew H.S.J., Lau Y. Diagnostic test accuracy of artificial intelligence-based imaging for lung cancer screening: A systematic review and metaanalysis // Lung Cancer. 2023. Vol. 176. P. 4–13. doi: 10.1016/j.lungcan.2022.12.002.

5. Gautam N., Saluja P., Malkawi A. et al. Current and future applications of artificial intelligence in coronary artery disease // Healthcare. MDPI. 2022. Vol. 10, No. 2. P. 232. doi: 10.3390/healthcare10020232.

6. Roberts M., Driggs D., Thorpe M. et al. Common pitfalls and recommendations for using machine learning to detect and prognosticate for COVID-19 using chest radiographs and CT scans // Nature Machine Intelligence. 2021. Vol. 3, No. 3. P. 199–217. doi: 10.1038/s42256-021-00307-0.

7. Wang Z., Liu X., Hu X. et al. Age-related changes in cervical sagittal alignment: based on 625 Chinese asymptomatic subjects // European Spine Journal. 2023. Vol. 32, No. 5. P. 1607–1615. doi: 10.1007/s00586-023-07632-5.

8. Tricco A.C., Lillie E., Zarin W., O’Brien K.K., Colquhoun H., Levac. PRISMA extension for scoping reviews (PRISMA-ScR): checklist and explanation // Annals of internal medicine. 2018. Vol. 169, No. 7. P. 467–473. doi: 10.7326/M18-0850.

9. Liawrungrueang W., Kim P., Kotheeranurak V., Jitpakdee K., Sarasombath Automatic detection, classification, and grading of lumbar intervertebral disc degeneration using an artificial neural network model // Diagnostics. 2023. Vol. 13, No. 4. P. 663. doi: 10.3390/diagnostics13040663.

10. Mastouri R., Khlifa N., Neji H., Hantous-Zannad S. A bilinear convolutional neural network for lung nodules classification on CT images // International Journal of Computer Assisted Radiology and Surgery. 2021. Vol. 16. P. 91–101. doi: 10.1007/s11548-020-02283-z.

11. Merali Z., Wang J.Z., Badhiwala J.H. et al. A deep learning model for detection of cervical spinal cord compression in MRI scans // Scientific reports. 2021. Vol. 11, No. 1. P. 1–11. doi: 10.1038/s41598-021-89848-3.

12. Kumar K.K., Gopal T.V. A novel approach to self order feature reweighting in CBIR to reduce semantic gap using Relevance Feedback // 2014 International Conference on Circuits, Power and Computing Technologies [ICCPCT-2014]. 2014. P. 1437–1442. doi: 10.1109/ICCPCT.2014.7054919.

13. Абдуллина К.М., Спивак А.И. Применение нейронной сети архитектуры U-Net для задачи локализации нарушений целостности цифровых изображений // Научно-технический вестник информационных технологий, механики и оптики. 2020. Т. 20, № 3. С. 425–431.

14. Hallinan J.T.P.D., 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. Vol. 300, No. 1. P. 130–138. doi: 10.1148/radiol.2021204289.

15. Lehnen N.C., 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. Vol. 11, No. 5. P. 902. doi: 10.3390/diagnostics11050902.

16. Jamaludin A., Lootus M., Kadir T. et al. ISSLS prize in bioengeneering 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 // European spine journal. 2017. Vol. 26, No. 5. P. 1374–1383. doi: 10.1007/s00586-017-4956-3.

17. Lu J. T., Pedemonte S., Bizzo B. et al. Deep Spine: Automated lumbar vertebral segmentation, disc-level designation, and spinal stenosis grading using deep learning // Machine Learning for Healthcare Conference // PMLR. 2018. P. 403–419. doi: 10.48550/arXiv.1807.10215.

18. Won D., Lee H.J., Lee S.J., Park S.H. Spinal stenosis grading in magnetic resonance imaging using deep convolutional neural networks // Spine. 2020. Vol. 45, No. 12. P. 804–812. doi: 10.1097/BRS.0000000000003377.

19. Han Z., Wei B., Leung S., Chung J., Li S. Towards automatic report generation in spine radiology using weakly supervised framework // Medical Image Computing and Computer Assisted Intervention–MICCAI. 2018: 21[st] International Conference, Granada, Spain, September 16–20, 2018, Proceedings, Part IV 11. Springer International Publishing, 2018. P. 185–193. doi: 10.1007/978-3-030-00937-3_22.

20. Merali Z., Wang J.Z., Badhiwala J.H. et al. A deep learning model for detection of cervical spinal cord compression in MRI scans // Scientific reports. 2021. Vol. 11, No. 1. P. 1–11. doi: 10.1038/s41598-021-89848-3.

21. Lewandrowski K.U., Muraleedharan N., Eddy S.A. et al. Feasibility of deep learning algorithms for reporting in routine spine magnetic resonance imaging // International Journal of Spine Surgery. 2020. Vol. 14, No. s3. P. S86-S97. doi: 10.14444/7131.

22. Ghauri M.S., Reddy A.J., Tak N. et al. Utilizing deep learning for X-ray imaging: detecting and classifying degenerative spinal conditions // Cureus. 2023. Vol. 15, No. 7. doi: 10.7759/cureus.41582.

23. Gao K. T., Tibrewala R., Hess M., Bharadwaj U.U., Inamdar G. et al. Automatic detection and voxel‐wise mapping of lumbar spine Modic changes with deep learning // JOR spine. 2022. Vol. 5, No. 2. P. e1204. doi: 10.1002/jsp2.1204.

24. Zhang W., Chen Z., Su Z. et al. Deep learning‐based detection and classification of lumbar disc herniation on magnetic resonance images // JOR spine. 2023. Vol. 6, No. 3. P. e1276. doi: 10.1002/jsp2.1276.

25. Bharadwaj U.U., Christine M., Li S. et al. Deep learning for automated, interpretable classification of lumbar spinal stenosis and facet arthropathy from axial MRI // European radiology. 2023. Vol. 33, No. 5. P. 3435–3443. doi: 10.1007/s00330-023-09483-6.

26. Liawrungrueang W., Kim P., Kotheeranurak V., Jitpakdee K., Sarasombath P. Automatic detection, classification, and grading of lumbar intervertebral disc degeneration using an artificial neural network model // Diagnostics. 2023. Vol. 13, No. 4. P. 663. doi: 10.3390/diagnostics13040663.

27. Dong Q. Deep Learning Classification of Spinal Osteoporotic Compression Fractures on Radiographs using an Adaptation of the Genant Semiquantitative Criteria // Academic radiology. 2022. Vol. 29, No. 12. P. 1819–1832. doi: 10.1016/j.acra.2022.02.020.

28. Germann C., Meyer A. N., Staib M., Sutter R., Fritz B. Performance of a deep convolutional neural network for MRI-based vertebral body measurements and insufficiency fracture detection // European Radiology. 2023. Vol. 33, No. 5. P. 3188–3199. doi: 10.1007/s00330-022-09354-6.

29. Chiari-Correia N.S., Nogueira-Barbosa M.H., Chiari-Correia R.D., Azevedo-Marques P.M. A 3D radiomics-based artificial neural network model for benign versus malignant vertebral compression fracture classification in MRI // Journal of Digital Imaging. 2023. Vol. 36, No. 4. P. 1565–1577. doi: 10.1007/s10278-023-00847-4.

30. Doerr S. A., Weber-Levine C., Hersh A.M. et al. Automated prediction of the Thoracolumbar Injury Classification and Severity Score from CT using a novel deep learning algorithm // Neurosurgical focus. 2022. Vol. 52, No. 4. P. E5. doi: 10.3171/2022.1.FOCUS21745.

31. Bar A., Wolf L., Amitai O.B., Toledano E., Elnekave E. Compression fractures detection on CT // Medical imaging 2017: computer-aided diagnosis // SPIE. 2017. Vol. 10134. P. 1036–1043. doi: 10.1117/12.2249635.

32. Small J.E., Osler P., Paul A.B., Kunst M. CT cervical spine fracture detection using a convolutional neural network // American Journal of Neuroradiology. 2021. Vol. 42, No. 7. P. 1341–1347. doi: 10.3174/ajnr.A7094.

33. 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: 10.1016/j.compbiomed.2018.05.011.

34. Derkatch S., Kirby C., Kimelman D. et al. Identification of vertebral fractures by convolutional neural networks to predict nonvertebral and hip fractures: a registrybased cohort study of dual X-ray absorptiometry // Radiology. 2019. Vol. 293, No. 2. P. 405–411. doi: 10.1148/radiol.2019190201.

35. Zhang J., Liu F., Xu J. et al. Automated detection and classification of acute vertebral body fractures using a convolutional neural network on computed tomography // Frontiers in endocrinology. 2023. Vol. 14. P. 1132725. doi: 10.3389/fendo.2023.1132725.

36. Dong Q., Luo G., Lane N.E. et al. Generalizability of deep learning classification of spinal osteoporotic compression fractures on radiographs using an adaptation of the modified-2 algorithm-based qualitative criteria // Academic radiology. 2023. Vol. 30, No. 12. P. 2973–2987. doi: 10.1016/j.acra.2023.04.023.

37. Boonrod A. et al. Diagnostic accuracy of deep learning for evaluation of C-spine injury from lateral neck radiographs // Ш. 2022. Vol. 8, No. 8. doi: 10.1016/j.heliyon.2022.e10372.

38. Chen X.G., Liu Y.A. classification method for thoracolumbar vertebral fractures due to basketball sports injury based on deep learning // Computational and mathematical methods in medicine. 2022. Vol. 2022, No. 1. P. 8747487. doi: 10.1155/2022/8747487.

39. Yeh L.R., Zhang Y., Chen J.H. et al. A deep learning-based method for the diagnosis of vertebral fractures on spine MRI: retrospective training and validation of ResNet // European Spine Journal. 2022. P. 1–9. doi: 10.1007/s00586-022-07121-1.

40. Liu B., Jin Y., Feng S. et al. Benign vs malignant vertebral compression fractures with MRI: a comparison between automatic deep learning network and radiologist’s assessment // European Radiology. 2023. Vol. 33, No. 7. P. 5060–5068. doi: 10.1007/s00330-023-09713-x.

41. Xu F., Xiong Y., Ye G. et al. Deep learning-based artificial intelligence model for classification of vertebral compression fractures: A multicenter diagnostic study // Frontiers in Endocrinology. 2023. Vol. 14. P. 1025749. doi: 10.3389/fendo.2023.1025749.

42. Lang N., Zhang Y., Zhang E. et al. Differentiation of spinal metastases originated from lung and other cancers using radiomics and deep learning based on DCE-MRI // Magnetic resonance imaging. 2019. Vol. 64. P. 4. doi: 10.1016/j.mri.2019.02.013.

43. Chen K., Cao J., Zhang X. et al. Differentiation between spinal multiple myeloma and metastases originated from lung using multi-view attention-guided network // Frontiers in Oncology. 2022. Vol. 12. P. 981769. doi: 10.3389/fonc.2022.981769.

44. Hallinan J.T.P.D., Zhu L., Zhang W. et al. Deep learning model for classifying metastatic epidural spinal cord compression on MRI // Frontiers in Oncology. 2022. Vol. 12. P. 849447. doi: 10.3389/fonc.2022.849447.

45. Xiong X., Wang J., Hu S. et al. Differentiating between multiple myeloma and metastasis subtypes of lumbar vertebra lesions using machine learning-based radiomics // Frontiers in Oncology. 2021. Vol. 11. P. 601699. doi: 10.3389/fonc.2021.601699.

46. Hallinan J.T.P.D., Zhu L., Zhang W. et al. Deep learning assessment compared to radiologist reporting for metastatic spinal cord compression on CT // Frontiers in Oncology. 2023. Vol. 13. P. 1151073. doi: 10.3389/fonc.2023.1151073.

47. Ito S., Nakashima H., Segi N. et al. Automated detection and diagnosis of spinal schwannomas and meningiomas using deep learning and magnetic resonance imaging // J. Clin. Med. 2023. Vol. 12, No. 15. P. 5075. doi: 10.3390/jcm12155075.