Тхакахова Регина Альбертовна – аспирант, врач-рентгенолог ГБУЗ “НПКЦ ДиТ ДЗМ”, Москва
Regina A. Tkhakakhova – Radiologist, Postgraduate Student, Research and Practical Clinical Center for Diagnostics and Telemedicine Technologies of the Moscow Health Care Department, Moscow
Владзимирский Антон Вячеславович – доктор мед. наук, заместитель директора по научной работе ГБУЗ “НПКЦ ДиТ ДЗМ”, Москва
Anton V. Vladzymyrskyy – Doct. of Sci. (Med.), Deputy Director for Research, Research and Practical Clinical Center for Diagnostics and Telemedicine Technologies of the Moscow Health Care Department, Moscow
Арзамасов Кирилл Михайлович – доктор мед. наук, руководитель отдела медицинской информатики, радиомики и радиогеномики, ГБУЗ “НПКЦ ДиТ ДЗМ”, Москва;доцент кафедры лучевой диагностики и лучевой терапииФГБОУ ВО "Самарский государственный медицинский университет" Минздрава России, Самара
Kirill M. Arzamasov – Doct. of Sci. (Med.), Functional Diagnostics Physician, Cybernetics Physician, Head of the Department of Medical Informatics, Radiomics, and Radiogenomics at the Moscow Center for Diagnostics and Telemedicine, Moscow;Associate Professor, Department of Radiology and Radiation Therapy, Samara State Medical University, Samara.
Дегенеративные заболевания позвоночника – одна из ключевых медицинских проблем, являющаяся частой причиной хронических болей, снижения качества жизни и трудоспособности. Современные подходы к терапии, включая консервативные методики и хирургические вмешательства, не всегда демонстрируют достаточную клиническую эффективность, что актуализирует вопросы совершенствования диагностических возможностей.
Магнитно-резонансная томография (МРТ) – основной метод визуализации патологий позвоночника, обеспечивающий детальную оценку структур, включая межпозвонковые диски, спинной мозг и окружающие ткани. Рутинная практика МР-диагностики сопряжена с существенными методическими сложностями, такими как необходимость выполнения многочисленных стандартизированных измерений. Внедрение искусственного интеллекта в радиологию предлагает решение этих проблем: алгоритмы способны автоматизировать обработку изображений, ускоряя анализ и повышая точность диагностики.
Цель исследования: оценить диагностическую точность автоматизированного выявления дегенеративных изменений пояснично-крестцового отдела позвоночника при проведении МРТ с применением технологий искусственного интеллекта.
Материал и методы. Проведено ретроспективное диагностическое исследование, количество исследований – 100. В качестве индекс-теста использованы сервисы искусственного интеллекта (далее называемые сервис ИИ-1, ИИ-2, ИИ-3), интегрированные в Единую радиологическую информационную систему (ЕРИС) в составе Единой медицинской информационно-аналитической системы города Москвы (ЕМИАС).
Тестовый набор данных, подготовленный тремя экспертами на основе МРТ пояснично-крестцового отдела позвоночника (Т2sag, Т2ax, срез 4 мм). Критерии включения: пациенты 18–90 лет без артефактов или сопутствующих заболеваний. Оценка ИИ-сервисов включала анализ дегенеративных изменений: дорсальные выпячивания межпозвонковых дисков; размеры (передне-заднего размера дурального мешка на аксиальных и сагиттальных изображениях, фронтального размера дурального мешка на аксиальных изображениях) и площадь дурального мешка.
Результаты. Сервисы ИИ-1 и ИИ-3 показали высокую диагностическую точность (AUC >0,95), что позволяет рекомендовать их для клинического применения. Сервис ИИ-2 продемонстрировал метрики значительно ниже заявленных (AUC <0,95), что ограничивает практическое использование и требует доработки.
Заключение. Проведенное исследование демонстрирует высокий потенциал технологий искусственного интеллекта для автоматизации МРТ-диагностики дегенеративных изменений пояснично-крестцового отдела позвоночника. Два из трех протестированных ИИ-сервисов (ИИ-1 и ИИ-3) показали высокую диагностическую точность (AUC >0,95), что позволяет рекомендовать их для внедрения в клиническую практику с целью повышения эффективности и стандартизации анализа нейровизуализации. В то же время значительное расхождение заявленных и реальных метрик третьего сервиса (ИИ-2) подчеркивает необходимость строгой валидации алгоритмов перед их использованием в рутинной диагностике.
Degenerative spinal diseases are a major medical problem and a common cause of chronic pain, reduced quality of life, and loss of work capacity. Modern treatment approaches, including conservative methods and surgical interventions, do not always demonstrate sufficient clinical efficacy, highlighting the need for improved diagnostic capabilities.
Magnetic resonance imaging is the primary modality for visualizing spinal pathologies, providing a detailed assessment of structures, including intervertebral discs, the spinal cord, and surrounding tissues. However, routine MRI diagnostics face significant methodological challenges, such as the need to perform numerous standardized measurements. The integration of artificial intelligence into radiology offers a solution to these problems: algorithms can automate image processing, speeding up analysis and enhancing diagnostic accuracy.
Objective: To evaluate the diagnostic accuracy of automated detection of degenerative changes in the lumbosacral spine using AI-assisted MRI.
Materials and Methods. A retrospective diagnostic study was conducted, comprising 100 examinations. Artificial intelligence services (hereinafter referred to as AI service 1, AI-2, AI-3) integrated into the Unified Radiological Information System (URIS) of the Moscow Unified Medical Information and Analytical System (EMIAS) were used as the index test.
A test dataset was prepared by three experts based on MRI scans of the lumbosacral spine (T2 sagittal, T2 axial, 4 mm slice thickness). Inclusion criteria were patients aged 18–90 years without artifacts or comorbid pathologies. The evaluation of the AI services involved analyzing degenerative changes: dorsal intervertebral disc protrusions; measurements (anteroposterior diameter of the dural sac on axial and sagittal images, transverse diameter of the dural sac on axial images); and the cross-sectional area of the dural sac.
Conclusion. Calibration testing confirmed the importance of evaluating the effectiveness of AI services in medicine. AI-1 and AI-3 demonstrated high reliability (AUC >0.95), making them suitable for clinical use. AI-2 requires refinement, as its performance metrics were significantly lower than claimed and further declined in external validation, limiting its practical application.
The authors declare that there are no conflicts of interest present.