medvisМедицинская визуализацияMedical Visualization1607-07632408-9516RDS-Media Ltd.10.24835/1607-0763-1257medvis-1257Research ArticleТЕХНОЛОГИИ ЛУЧЕВОЙ ДИАГНОСТИКИRADIOLOGICAL TECHNOLOGIESПрименение алгоритма искусственного интеллекта для оценки минеральной плотности тел позвонков по данным компьютерной томографииUsing an artificial intelligence algorithm to assess the bone mineral density of the vertebral bodies based on computed tomography datahttps://orcid.org/0000-0003-2960-9787АртюковаЗ. Р.ArtyukovaZ. R.

Артюкова Злата Романовна – младший научный сотрудник отдела инновационных технологий 

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

Zlata R. Artyukova – Junior Researcher of the Department of Innovation Technology

24, Petrovka str., Moscow 127051

zl.artyukova@gmail.comhttps://orcid.org/0000-0003-4203-0630КудрявцевН. Д.KudryavtsevN. D.

Кудрявцев Никита Дмитриевич – младший научный сотрудник отдела инновационных технологий 

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

Nikita D. Kudryavtsev – Junior Researcher of the Department of Innovation Technology

24, Petrovka str., Moscow 127051

n.kudryavtsev@npcmr.ruhttps://orcid.org/0000-0003-1694-4682ПетряйкинА. В.PetraikinA. V.

Петряйкин Алексей Владимирович – доктор медицинских наук, доцент, главный научный сотрудник отдела инновационных технологий

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

Alexey V. Petraikin – Doct. of Sci. (Med.), Associate Professor, Chief Researcher of the Department of Innovation Technology

24, Petrovka str., Moscow 127051

alexeypetraikin@gmail.comhttps://orcid.org/0000-0001-6745-1672АбуладзеЛ. Р.AbuladzeL. R.

Абуладзе Лия Руслановна – младший научный сотрудник отдела инновационных технологий 

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

Liya R. Abuladze – Junior Researcher of the Department of Innovation Technology

24, Petrovka str., Moscow 127051

l.abuladze@npcmr.ruhttps://orcid.org/0000-0002-9766-3390СморчковаА. К.SmorchkovaA. K.

Сморчкова Анастасия Кирилловна – младший научный сотрудник отдела инновационных технологий 

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

Anastasia K. Smorchkova – Junior Researcher of the Department of Innovation Technology 

24, Petrovka str., Moscow 127051

a.smorchkova@npcmr.ruhttps://orcid.org/0000-0002-8235-9361АхмадЕ. С.AkhmadE. S.

Ахмад Екатерина Сергеевна – научный сотрудник отдела инновационных технологий 

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

Ekaterina S. Akhmad – Researcher of the Department of Innovation Technology 

24, Petrovka str., Moscow 127051

e.ahmad@npcmr.ruhttps://orcid.org/0000-0002-4293-2514СеменовД. С.SemenovD. S.

Семенов Дмитрий Сергеевич – начальник сектора стандартизации и контроля качества отдела инновационных технологий 

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

Dmitry S. Semenov – Head of the Sector Standardization and Quality Control of the Department of Innovation Technology 

24, Petrovka str., Moscow 127051

d.semenov@npcmr.ruhttps://orcid.org/0000-0001-9906-6453БеляевМ. Г.BelyaevM. G.

Беляев Михаил Геннадьевич – кандидат физико-математических наук, профессор, генеральный директор 

121205 Москва, территория Инновационного центра Сколково, Большой бульвар, д. 30, стр. 1

Mikhail G. Belyaev – Doct. of Sci. (Phys.-Math.), Professor, CEO

Skolkovo Institute of Science and Technology (Skoltech); 30-1, Bolshoy Boulevard, Moscow 121205

m.belyaev@ira-labs.comhttps://orcid.org/0000-0002-6674-6441БелаяЖ. Е.BelayaZh. E.

Белая Жанна Евгеньевна – доктор медицинских наук, главный научный сотрудник, заведующая отделением нейроэндокринологии и остеопатий 

117292 Москва, ул. Дмитрия Ульянова, д. 11

Zhanna E. Belaya – Doct. of Sci. (Med.), Chief Researcher, Head of Department of Neuroendocrinology and Bone Disease

11b, Dmitry Ulyanov str., Moscow 117292

jannabelaya@gmail.comhttps://orcid.org/0000-0002-2990-7736ВладзимирскийА. В.VladzimirskyyA. V.

Владзимирский Антон Вячеславович – доктор медицинских наук, заместитель директора по научной работе ГБУЗ “Научно-практический клинический центр диагностики и телемедицинских технологий ДЗМ; профессор кафедры информационных и интернет-технологий, ФГАОУ ВО “Первый МГМУ имени И.М. Сеченова Минздрава России (Сеченовский Университет)”

127051 Москва, ул. Петровка, д. 24, стр.1; 119991 Москва, ул. Трубецкая, д. 8, стр. 2

 

Anton V. Vladzimirskyy – Doct. of Sci. (Med.), Associate director of Science, Research and Practical Clinical Center for Diagnostics and Telemedicine Technologies; Professor at Information and Internet Technologies Chair, I.M. Sechenov First Moscow State Medical University (Sechenov University)

24, Petrovka str., Moscow 127051; 8, bld. 2, Trubetskaya str., Moscow 119991

a.vladzimirsky@npcmr.ruhttps://orcid.org/0000-0002-0208-5218ВасильевЮ. А.VasilievYu. A.

Васильев Юрий Александрович – кандидат медицинских наук, директор

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

Yuri A. Vasiliev – Cand. of Sci. (Med.), СEO

24, Petrovka str., Moscow 127051

y.vasilev@npcmr.ruГБУЗ “Научно-практический клинический центр диагностики и телемедицинских технологий Департамента здравоохранения города Москвы”РоссияResearch and Practical Clinical Center for Diagnostics and Telemedicine Technologies of the Moscow Health Care DepartmentRussian FederationООО “АЙРА Лабс”РоссияIRA Labs, Inc.Russian FederationФГБУ “НМИЦ эндокринологии” Минздрава РоссииРоссияThe National Medical Research Centre for EndocrinologyRussian FederationГБУЗ “Научно-практический клинический центр диагностики и телемедицинских технологий Департамента здравоохранения города Москвы”; ФГАОУ ВО “Первый МГМУ имени И.М. Сеченова Минздрава России (Сеченовский Университет)”РоссияResearch and Practical Clinical Center for Diagnostics and Telemedicine Technologies of the Moscow Health Care Department, I.M. Sechenov First Moscow State Medical University of the Ministry of Health of the Russian Federation (Sechenov University)Russian Federation202313052023272125137Copyright © Артюкова З.Р., Кудрявцев Н.Д., Петряйкин А.В., Абуладзе Л.Р., Сморчкова А.К., Ахмад Е.С., Семенов Д.С., Беляев М.Г., Белая Ж.Е., Владзимирский А.В., Васильев Ю.А., 20232023Артюкова З.Р., Кудрявцев Н.Д., Петряйкин А.В., Абуладзе Л.Р., Сморчкова А.К., Ахмад Е.С., Семенов Д.С., Беляев М.Г., Белая Ж.Е., Владзимирский А.В., Васильев Ю.А.Artyukova Z.R., Kudryavtsev N.D., Petraikin A.V., Abuladze L.R., Smorchkova A.K., Akhmad E.S., Semenov D.S., Belyaev M.G., Belaya Z.E., Vladzimirskyy A.V., Vasiliev Y.A.Данная работа распространяется под лицензией Creative Commons Attribution 4.0.This work is licensed under a Creative Commons Attribution 4.0 License.https://medvis.rdsmedia.ru/jour/article/view/1257Цель работы

Цель работы: разработать методику автоматизированной оценки объемной минеральной плотности кости (МПК) тел позвонков с помощью алгоритма искусственного интеллекта (ИИ) и метода фантомного моделирования.

Материалы и методы

Материалы и методы: Для оценки эффективности алгоритма ИИ, проводящего измерение МПК тел позвонков по данным КТ органов грудной клетки (ОГК), подготовлен набор данных: 100 пациентов старше 50 лет и отношением с/без компрессионных переломов (КП) 48/52. Из них у 83 алгоритмом ИИ и экспертами была измерена рентгеновская плотность (РП) тел позвонков на уровне Th11-L3 (205 позвонков). Для перевода РП (HU) в МПК применялась разработанная ранее методика ККТ ФК (Количественная компьютерная томография фантом калиевый) с построением калибровочных прямых для семи 64-срезовых КТ сканеров. После проведения калибровки были выполнены и обработаны алгоритмом ИИ КТ ОГК 1853 пациентов в соотношении мужчин и женщин составило 718/1135.

Результаты

Результаты: В ходе оценки эффективности алгоритма ИИ получено хорошее соответствие при сравнении измерений МПК по данным экспертов и алгоритма ИИ. Коэффициент детерминации составил R2= 0,945 для отдельных позвонков (Th11-L3) и 0,943 для пациентов (р=0,000). При разделении пациентов из тестовой выборки на группы с/без КП по данным РП были получены сходные показатели ROC AUC для экспертной разметки 0,880 и по данным алгоритма ИИ 0,875. При калибровке КТ сканеров с помощью фантома, содержащего образцы МПК на основе гидрофосфата калия, получена усредненная формула зависимости МПК=0,77*HU-1,343. С учетом критериев American College Radiology для остеопороза граничное значение МПК<80 мг/мл составило 105,6HU для остеопении МПК<120 мг/мл – 157,6HU. При оппортунистическом определении МПК у пациентов старше 50 лет по данным алгоритма ИИ было установлено, что остеопороз выявлен у 31,72% женщин и 18,66% мужчин.

Вывод

Вывод: Продемонстрирована хорошая сопоставимость результатов определения РП тел позвонков по данным морфометрического алгоритма ИИ и при экспертной разметке. Предложена методика и продемонстрирована эффективность оппортунистического определения МПК тел позвонков по данным КТ с помощью алгоритма ИИ и использования фантомного моделирования.

Goal

Goal: To develop a method for automated assessment of the volumetric bone mineral density (BMD) of the vertebral bodies using an artificial intelligence (AI) algorithm and a phantom modeling method.

Materials and Methods

Materials and Methods: Evaluation of the effectiveness of the AI algorithm designed to assess BMD of the vertebral bodies based on chest CT data. The test data set contains 100 patients aged over 50 y.o.; the ratio between the subjects with/without compression fractures (Сfr) is 48/52. The X-ray density (XRD) of vertebral bodies at T11-L3 was measured by experts and the AI algorithm for 83 patients (205 vertebrae). We used a recently developed QCT PK (Quantitative Computed Tomography Phantom Kalium) method to convert XRD into BMD followed by building calibration lines for seven 64-slice CT scanners. Images were taken from 1853 patients and then processed by the AI algorithm after the calibration. The male to female ratio was 718/1135.

Results

Results: The experts and the AI algorithm reached a strong agreement when comparing the measurements of the XRD. The coefficient of determination was R2=0.945 for individual vertebrae (T11-L3) and 0.943 for patients (p=0.000). Once the subjects from the test sample had been separated into groups with/without Сfr, the XRD data yielded similar ROC AUC values for both the experts – 0.880, and the AI algorithm – 0.875. When calibrating CT scanners using a phantom containing BMD samples made of potassium hydrogen phosphate, the following averaged dependence formula BMD =0.77*HU-1.343 was obtained. Taking into account the American College Radiology criteria for osteoporosis, the cut-off value of BMD<80 mg/ml was 105.6HU; for osteopenia BMD<120 mg/ml was 157.6HU. During the opportunistic assessment of BMD in patients aged above 50 years using the AI algorithm, osteoporosis was detected in 31.72% of female and 18.66% of male subjects.

Conclusions

Conclusions: This paper demonstrates good comparability for the measurements of the vertebral bodies’ XRD performed by the AI morphometric algorithm and the experts. We presented a method and demonstrated great effectiveness of opportunistic assessment of vertebral bodies’ BMD based on computed tomography data using the AI algorithm and the phantom modeling.

минеральная плотность костиискусственный интеллектколичественная компьютерная томографияостеопорозКТ-денситометрия.bone mineral densityartificial intelligencequantitative computed tomographyosteoporosisCT densitometryReferencesБелая Ж.Е., Белова К.Ю., Бирюкова Е.В. и др. Федеральные клинические рекомендации по диагностике, лечению и профилактике остеопороза Федеральные клинические рекомендации по диагностике, лечению и профилактике остеопороза. Остеопороз и остеопатии. 2021; 24 (2): 4-47. https://doi.org/10.14341/osteo12930Belaya Z.E., Belova K.Yu., Biryukova E.V. et al. Federal clinical guidelines for diagnosis, treatment and prevention of osteoporosis. Osteoporosis and Bone Diseases. 2021; 24 (2): 4-47. (In Russ.) https://doi.org/10.14341/osteo12930Brown J.K., Timm W., Bodeen G. et al. Asynchronously Calibrated Quantitative Bone Densitometry. J. Clin. Densitom. 2017; 20 (2): 216–225. https://doi.org/10.1016/j.jocd.2015.11.001Brown J.K., Timm W., Bodeen G. et al. Asynchronously Calibrated Quantitative Bone Densitometry. J. Clin. Densitom. 2017; 20 (2): 216–225. https://doi.org/10.1016/j.jocd.2015.11.001Петряйкин А.В., Скрипникова И.А. Количественная компьютерная томография, современные данные. Обзор. Медицинская визуализация. 2021. 25 (4): 134–146. https://doi.org/10.24835/1607-0763-1049Petraikin A.V., Skripnikova I.A. Quantitative Computed Tomography, modern data. Review. Medical Visualization. 2021; 25 (4): 134-146. (In Russ.) https://doi.org/10.24835/1607-0763-10492019 ISCD Official Positions – Adult – International Society for Clinical Densitometry. Available at https://iscd.org/wp-content/uploads/2021/09/2019-Official-Positions-Adult-1.pdf Accessed August 20, 2022ISCD Official Positions – Adult – International Society for Clinical Densitometry. Available at https://iscd.org/wp-content/uploads/2021/09/2019-Official-Positions-Adult-1.pdf Accessed August 20, 2022Alacreu E., Moratal D., Arana E. Opportunistic screening for osteoporosis by routine CT in Southern Europe. Osteoporos. Int. 2017. 28; (3): 983–990. https://doi.org/10.1007/s00198-016-3804-3Alacreu E., Moratal D., Arana E. Opportunistic screening for osteoporosis by routine CT in Southern Europe. Osteoporos. Int. 2017. 28; (3): 983–990. https://doi.org/10.1007/s00198-016-3804-3Jang S., Graffy P.M., Ziemlewicz T. J. et al. Opportunistic osteoporosis screening at routine abdominal and Thoracic CT: Normative L1 trabecular attenuation values in more than 20 000 adults. Radiology. 2019; 291 (2): 360–367. https://doi.org/10.1148/radiol.2019181648Jang S., Graffy P.M., Ziemlewicz T. J. et al. Opportunistic osteoporosis screening at routine abdominal and Thoracic CT: Normative L1 trabecular attenuation values in more than 20 000 adults. Radiology. 2019; 291 (2): 360–367. https://doi.org/10.1148/radiol.2019181648Savage R.H. van Assen M., Martin S. S. et al. Utilizing Artificial Intelligence to Determine Bone Mineral Density Via Chest Computed Tomography. J. Thorac. Imaging. 2020; 35 (1): S35-S39. https://doi.org/10.1097/RTI.0000000000000484.Savage R.H. van Assen M., Martin S. S. et al. Utilizing Artificial Intelligence to Determine Bone Mineral Density Via Chest Computed Tomography. J. Thorac. Imaging. 2020; 35 (1): S35-S39. https://doi.org/10.1097/RTI.0000000000000484.Tang C. Zhang, W., Li, H. et al. CNN-based qualitative detection of bone mineral density via diagnostic CT slices for osteoporosis screening. Osteoporos Int. 2021; 32: 971–979. https://doi.org/10.1007/s00198-020-05673-wTang C. Zhang, W., Li, H. et al. CNN-based qualitative detection of bone mineral density via diagnostic CT slices for osteoporosis screening. Osteoporos Int. 2021; 32: 971–979. https://doi.org/10.1007/s00198-020-05673-wPickhardt P.J., Lee S.J., Liu J. et al. Population-based opportunistic osteoporosis screening: Validation of a fully automated CT tool for assessing longitudinal BMD changes. Br J Radiol. 2019; 92 (1094): 20180726. https://doi.org/10.1259/bjr.20180726Pickhardt P.J., Lee S.J., Liu J. et al. Population-based opportunistic osteoporosis screening: Validation of a fully automated CT tool for assessing longitudinal BMD changes. Br J Radiol. 2019; 92 (1094): 20180726. https://doi.org/10.1259/bjr.20180726Löffler, M.T., 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: 6069–6077. https://doi.org/10.1007/s00330-020-07655-2Löffler, M.T., 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: 6069–6077. https://doi.org/10.1007/s00330-020-07655-2Valentinitsch, A., Trebeschi, S., Kaesmacher, J. et al. Opportunistic osteoporosis screening in multi-detector CT images via local classification of textures. Osteoporos Int. 2019; 30: 1275–1285. https://doi.org/10.1007/s00198-019-04910-1Valentinitsch, A., Trebeschi, S., Kaesmacher, J. et al. Opportunistic osteoporosis screening in multi-detector CT images via local classification of textures. Osteoporos Int. 2019; 30: 1275–1285. https://doi.org/10.1007/s00198-019-04910-1Bar A., Wolf L., Amitai O. B. et al. Compression fractures detection on CT. Medical Imaging 2017: Computer-Aided Diagnosis. SPIE, 2017; 10134: 1013440. https://doi.org/10.48550/arXiv.1706.01671Bar A., Wolf L., Amitai O. B. et al. Compression fractures detection on CT. Medical Imaging 2017: Computer-Aided Diagnosis. SPIE, 2017; 10134: 1013440. https://doi.org/10.48550/arXiv.1706.01671Tomita N., Cheung Y.Y., Hassanpour S. Deep neural networks for automatic detection of osteoporotic vertebral fractures on CT scans. Comput. Biol. Med. 2018; 98: 8–15. https://doi.org/10.1016/j.compbiomed.2018.05.011.Tomita N., Cheung Y.Y., Hassanpour S. Deep neural networks for automatic detection of osteoporotic vertebral fractures on CT scans. Comput. Biol. Med. 2018; 98: 8–15. https://doi.org/10.1016/j.compbiomed.2018.05.011.Zakharov А, Pisov M, Bukharaev A et al. Interpretable Vertebral Fracture Quantification via Anchor-Free Landmarks Localization. Available at https://arxiv.org/pdf/2204.06818.pdf Accessed August 20, 2022Pisov M., Kondratenko V., Zakharov A. et al. Keypoints Localization for Joint Vertebra Detection and Fracture Severity Quantification. Martel, A.L., et al. (eds.) MICCAI 2020. LNCS, 2020; 12266: 723–732. https://doi.org/10.1007/978-3-030-59725-2_70Лесняк О.М., Норой Л. Аудит cостояния проблемы остеопороза в странах состочной Европы И центральной Азии 2010. 2011. Available at https://www.osteoporosis.foundation/sites/iofbonehealth/files/201906/2010_Eastern_European_Central_Asian_Audit_Russian.pdf Accessed August 20, 2022Lesnyak O.M., Noroi L. The Eastern European & Central Asian Regional Audit Epidemiology, costs & burden of osteoporosis in 2010. 2011. (In Russ.).Available at https://www.osteoporosis.foundation/sites/iofbonehealth/files/201906/2010_Eastern_European_Central_Asian_Audit_Russian.pdf Accessed August 20, 2022Cheng X., Zhao K., Zha X. et al. Opportunistic Screening Using Low‐Dose CT and the Prevalence of Osteoporosis in China: A Nationwide, Multicenter Study. J Bone Miner Res. 2021; 36 (3): 427-435. https://doi.org/10.1002/jbmr.4187Cheng X., Zhao K., Zha X. et al. Opportunistic Screening Using Low‐Dose CT and the Prevalence of Osteoporosis in China: A Nationwide, Multicenter Study. J Bone Miner Res. 2021; 36 (3): 427-435. https://doi.org/10.1002/jbmr.4187Петряйкин А.В., Смолярчук М.Я., Петряйкин Ф.А., и др. Оценка точности денситометрических исследований. Применение фантома РСК ФК2. Травматология и ортопедия России. 2019; 25 (3): 124-134. https://doi.org/10.21823/2311-2905-2019-25-3-124-134Petraikin A.V., Smoliarchuk M.Y., Petryaykin F.A., et al. Assessment the Accuracy of Densitometry Measurements Using DMA PP2 Phantom. Traumatology and Orthopedics of Russia. 2019; 25 (3): 124-134. (In Russ.) https://doi.org/10.21823/2311-2905-2019-25-3-124-134Морозов С. П., Владзимирский А.В., Ледихова Н.В. и т.д. Московский эксперимент по применению компьютерного зрения в лучевой диагностике: вовлеченность врачей-рентгенологов. Врач и информационные технологии. 2020; 4, 14–23. https://doi.org/10.37690/1811-0193-2020-4-14-23Morozov S.P., Vladzymyrskyy A.V., Ledikhova N.V. et al. Moscow experiment on computer vision in radiology: involvement and participation of radiologists. Information technologies for the Physician. 2020; 4, 14–23. (In Russ.) https://doi.org/10.37690/1811-0193-2020-4-14-23Andreychenko A.E., Logunova T.A., Gombolevskiy V.A. et al. A methodology for selection and quality control of the radiological computer vision deployment at the megalopolis scale. medRxiv. 2022: 2022.02.12.22270663. https://doi.org/10.1101/2022.02.12.22270663Andreychenko A.E., Logunova T.A., Gombolevskiy V.A. et al. A methodology for selection and quality control of the radiological computer vision deployment at the megalopolis scale. medRxiv. 2022: 2022.02.12.22270663. https://doi.org/10.1101/2022.02.12.22270663Genant H.K., Wu C. Y., Kuijket C.V. al. Vertebral fracture assessment using a semiquantitative technique. J. Bone Miner. 1993; 8 (9): 1137–1148. https://doi.org/10.1002/jbmr.5650080915.Genant H.K., Wu C. Y., Kuijket C.V. al. Vertebral fracture assessment using a semiquantitative technique. J. Bone Miner. 1993; 8 (9): 1137–1148. https://doi.org/10.1002/jbmr.5650080915.The American College of Radiology. ACR–SPR–SSR Practice Parameter for the Performance of Musculoskeletal Quantitative Computed Tomography (Qct). Published 2018. https://www.acr.org/-/media/ACR/Files/Practice-Parameters/QCT.pdf Accessed August 20, 2022The American College of Radiology. ACR–SPR–SSR Practice Parameter for the Performance of Musculoskeletal Quantitative Computed Tomography (Qct). Published 2018. https://www.acr.org/-/media/ACR/Files/Practice-Parameters/QCT.pdf Accessed August 20, 2022Петряйкин А.В., Сморчкова А.К., Кудрявцев Н.Д. и др. Сравнение двух методик асинхронной КТ-денситометрии. Медицинская визуализация. 2020; 24 (4): 108-118. https://doi.org/10.24835/1607-0763-2020-4-108-118Petraikin A.V., Smorchkova A.K., Kudryavtsev N.D. et al. Comparison of two asynchronous QCT methods. Medical Visualization. 2020; 24( 4): 108-118. (In Russ.) https://doi.org/10.24835/1607-0763-2020-4-108-118Павлов Н.А., АндрейченкоА.Е., ВладзимирскийА.В. и т.д. Эталонные медицинские датасеты (MosMedData) для независимой внешней оценки алгоритмов на основе искусственного интеллекта в диагностике. Digital Diagnostics. 2021; 2 (1): 49–65. https://doi.org/10.17816/DD60635.Pavlov N.A., Andreychenko A.E., Vladzymyrskyy A.V. et al. Reference medical datasets (MosMedData) for independent external evaluation of algorithms based on artificial intelligence in diagnostics. Digital Diagnostics. 2021; 2 (1): 49−65. (In Russ.) https://doi.org/10.17816/DD60635Петряйкин А.В., Белая Ж.Е., Киселeва А.Н. и др. Технология искусственного интеллекта для распознавания компрессионных переломов позвонков с помощью модели морфометрического анализа, основанной на сверточных нейронных сетях. Проблемы Эндокринологии. 2020; 66 (5): 48-60. https://doi.org/10.14341/probl12605Petraikin A.V., Belaya Z.E., Kiseleva A.N. 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. (In Russ.) https://doi.org/10.14341/probl12605Lee, S.J., Binkley, N., Lubner, M.G. et al. Opportunistic screening for osteoporosis using the sagittal reconstruction from routine abdominal CT for combined assessment of vertebral fractures and density. Osteoporos Int. 2016; 27: 1131–1136. https://doi.org/10.1007/s00198-015-3318-4Lee, S.J., Binkley, N., Lubner, M.G. et al. Opportunistic screening for osteoporosis using the sagittal reconstruction from routine abdominal CT for combined assessment of vertebral fractures and density. Osteoporos Int. 2016; 27: 1131–1136. https://doi.org/10.1007/s00198-015-3318-4Pickhardt P.J., Pooler B. D., Lauder T.et al. Opportunistic screening for osteoporosis using abdominal computed tomography scans obtained for other indications. Ann. Intern. Med. 2013; 158 (8): 588–595. https://doi.org/10.7326/0003-4819-158-8-201304160-00003Pickhardt P.J., Pooler B. D., Lauder T.et al. Opportunistic screening for osteoporosis using abdominal computed tomography scans obtained for other indications. Ann. Intern. Med. 2013; 158 (8): 588–595. https://doi.org/10.7326/0003-4819-158-8-201304160-00003Kanis J.A. Assessment of fracture risk and its application to screening for postmenopausal osteoporosis: Synopsis of a WHO report. Osteoporos. Int. 1994; 6 (4): 368–381. https://doi.org/10.1007/BF01622200Kanis J.A. Assessment of fracture risk and its application to screening for postmenopausal osteoporosis: Synopsis of a WHO report. Osteoporos. Int. 1994; 6 (4): 368–381. https://doi.org/10.1007/BF01622200

The authors declare that there are no conflicts of interest present.