Русаков Андрей Сергеевич – основатель и главный исполнительный директор Remedy Logic, New York.
Andrey S. Rusakov – Founder and CEO of Remedy Logic, New York.
Тумко Владислав Владимирович – главный операционный директор Remedy Logic, New York.
Vladislav V. Tumko – Chief Operating Officer of Remedy Logic, New York.
Сарбаев Руслан Сергеевич – генеральный директор ООО “Системы поддержки принятий решений”, Чебоксары.
Ruslan S. Sarbaev – General Director of Decision Support Systems LLC, Cheboksary.
Успенская Наталья Александровна – руководитель команды компьютерного зрения Remedy Logic, New York.
Natalia A. Uspenskaya – Computer Vision Team Leader at Remedy Logic, New York.
Нуднов Николай Васильевич – доктор мед. наук, профессор, заместитель директора по научной работе, заведующий научно-исследовательским отделом комплексной диагностики заболеваний и радиотерапии ФГБУ “Российский научный центр рентгенорадиологии” Минздрава России, Москва. https://orcid.org/0000-0001-5994-0468
Nikolay V. Nudnov – Doct. of Sci. (Med.), Professor, Deputy Director for Scientific Work, Head of the Research Department for Complex Diagnostics of Diseases and Radiotherapy, Russian Scientific Center of Roentgenoradiology of the Ministry of Healthcare of the Russian Federation, Moscow.https://orcid.org/0000-0001-5994-0468
Кармазановский Григорий Григорьевич – академик РАН, доктор мед. наук, профессор, заведующий отделом лучевых методов диагностики ФГБУ “НМИЦ хирургии им. А.В. Вишневского” Минздрава России;профессор кафедры лучевой диагностики и терапии медикобиологического факультета ФГБОУ ВО РНИМУ им. Н.И. Пирогова Минздрава России, Москва.https://orcid.org/0000000293570998
Grigory G. Karmazanovsky – Russian Academy of Sciences (RAS) Full Member, Doct. of Sci. (Med.), Professor, Heаd of the Diagnostic Rаdiology Depаrtment at the А.V. Vishnevsky Nаtionаl Mediсаl Reseаrсh Сenter of Surgery;Professor of radiology department, Pirogov Russian national research medical university, Moscow. https://orcid.org/0000-0002-9357-0998
Коробов Андрей Владимирович – директор АНО ДПО “Институт Эксперт”, Воронеж.
Andrey V. Korobov – Director of Autonomous non-profit organization of additional professional education “Expert Institute”, Voronezh.
Титова Лилия Александровна – доктор мед. наук, доцент, заведующая кафедрой инструментальной диагностики, ФГБОУ ВО “ВГМУ им Н.Н. Бурденко” Минздрава России, Воронеж.https://orcid.org/0000-0002-8421-3411
Lilia A. Titova – Doct. of Sci. (Med.), Head of the Department of Instrumental Diagnostics, Voronezh State Medical University named after N.N. Burdenko, Voronezh.https://orcid.org/0000-0002-8421-3411
Скачков Артур Андреевич – специалист по машинному обучению ООО “Объединенное IT пространство”, Липецк.https://orcid.org/0009-0002-6072-8143
Artur A. Skachkov – machine learning expert of LLC “United IT Space”, Lipetsk.https://orcid.org/0009-0002-6072-8143
Кульнева Таисия Владимировна – заместитель директора по экспертной работе в области медицинской визуализации АНО ДПО “Институт Эксперт”, Воронеж.
Taisiya V. Kulneva – Deputy Director for Expertise in Medical Imaging of Autonomous non-profit organization of additional professional education “Expert Institute”, Voronezh.
Измалков Дмитрий Витальевич – заведующий кафедрой лучевой диагностики АНО ДПО “Институт Эксперт”, Воронеж.
Dmitry V. Izmalkov – Head of the Department of Radiologic Diagnostics of Autonomous non-profit organization of additional professional education “Expert Institute”, Voronezh.
Андриенко Елизавета Андреевна – специалист общего отдела АНО ДПО “Институт Эксперт”, Воронеж.
Elizaveta A. Andrienko – general specialist of Autonomous non-profit organization of additional professional education “Expert Institute”, Voronezh.
Иванников Михаил Евгеньевич – ординатор по специальности “рентгенология” ФГБУ “Российский научный центр рентгенорадиологии” Минздрава России, Москва.
Mikhail E. Ivannikov – resident in the specialty of “radiology”, Russian Scientific Center of Roentgenoradiology of the Ministry of Healthcare of the Russian Federation, Moscow.
Цель исследования: разработать модель свёрточной нейронной сети (convolutional neural network, CNN) для классификации наличия и тяжести стенозов поясничного отдела позвоночника (lumbar spinal stenosis, LSS) в ходе МРТ-исследования и продемонстрировать ее эффективность в качестве точного и последовательного диагностического инструмента.
Материал и методы. Морфологические классификации стенозов поясничного отдела позвоночника и количественные измерения ключевых анатомических структур были объединены с помощью разных моделей свёрточных нейронных сетей. Для классификации стенозов модели были обучены на 1635 размеченных исследованиях МР-томограммах поясничного отдела позвоночника. Данные исследования состояли из изображений взвешенных по T2 в сагиттальной и аксиальной плоскостях на уровне каждого позвонка. Точность модели была оценена с помощью внешнего валидационного набора из 150 МРТ-исследований, оцененных группой из 7 рентгенологов по градации в виде: отсутствия стеноза, незначительной, умеренной или выраженной степени стенозов позвоночного канала. Эталонное значение для всех типов стенозов было определено большинством голосов и в случае разногласий решение выносилось опытным врачом-рентгенологом, не участвовавшим в подсчете голосов. После этого выводы врачей были сопоставлены с выводами обученной модели.
Результаты. Модель продемонстрировала сопоставимую производительность со средними показателями рентгенолога как с точки зрения выявления наличия/отсутствия центральных стенозов поясничного отдела позвоночника, так и классификации степени тяжести для всех трех типов стеноза. В случае стеноза центрального канала чувствительность и специфичность свёрточной нейронной сети составили 0,93 и 0,85 для бинарной классификации (наличие/отсутствие) по сравнению со средним показателем рентгенолога (0,86; 0,86). При стенозе латерального кармана чувствительность и специфичность свёрточной нейронной сети составили 0,92 и 0,80 по сравнению со средним показателем рентгенолога 0,83 и 0,94. При фораминальном стенозе чувствительность и специфичность свёрточной нейронной сети составили 0,89 и 0,86 по сравнению со средним показателем рентгенолога 0,81 и 0,91. Многоклассовая классификации степени тяжести стенозов показала сходные статистические данные.
Заключение. Свёрточная нейронная сеть продемонстрировала сопоставимые со специалистами-рентгенологами результаты в выявлении и классификации центральных стенозов поясничного отдела позвоночника. Интеграция моделей нейронных сетей при обнаружении патологии могла бы обеспечить более высокую точность, эффективность, системность и возможность последующей интерпретации в диагностической практике.
Objective: to develop a convolutional neural network (CNN) model to classify the presence and severity of central lumbar spinal stenosis (LSS) during MRI examination and to demonstrate its effectiveness as an accurate and consistent diagnostic tool.
Methods. Morphological classifications of LSS and quantitative measurements of key anatomical structures were combined using two CNNs. To classify central stenosis, models were trained on 1635 labeled lumbar spine MRI studies consisting of T2-weighted sagittal and axial planes at the level of each vertebra. The accuracy of the model was assessed using an external validation set of 150 MRI studies graded by a panel of 7 radiologists as: no stenosis, mild, moderate or severe spinal canal stenosis. The reference value for all types of stenosis was determined by majority vote, and in the event of disagreement, a decision was made by an external radiologist. The radiologists' interpretations were then compared with those of the trained model.
Results. The model demonstrated comparable performance to the average radiologist both in identifying the presence/absence of LSS and in classifying severity for all 3 types of stenosis. For central canal stenosis, the sensitivity and specificity of the CNN were (0.93; 0.85) for binary classification (presence/absence) compared to the average radiologist (0.86; 0.86). For lateral pocket stenosis, the sensitivity and specificity of CNN were (0.92; 0.80) compared to the radiologist's mean (0.83; 0.94). For foraminal stenosis, the sensitivity and specificity of CNN were (0.89; 0.86) compared to the radiologist's mean (0.81; 0.91). Multiclass classification of stenosis severity showed similar statistics.
Conclusions. CNNs showed comparable performance to radiologists in detecting and classifying LSS. The integration of neural network models in pathology detection could provide higher accuracy, efficiency, systematicity, and the possibility of subsequent interpretation in diagnostic practice.
The authors declare that there are no conflicts of interest present.