Диагностическая точность технологий искусственного интеллекта при анализе результатов магнитно-резонансной томографии для выявления дегенеративных изменений пояснично-крестцового отдела позвоночника

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.

1. Тюрников В.М. Дегенеративно-дистрофические поражения позвоночника: диагностика, клиника и лечение. РМЖ. 2008; 26: 1739.

2. Подчуфарова Е.В., Яхно Н.Н., Алексеев В.В., Аведисова А.С., Чахава К.О., Ершова Е.М., Протасенко Т.В. Хронические болевые синдромы пояснично-крестцовой локализации: значение структурных скелетно-мышечных расстройств и психологических факторов. Боль. 2003; 1: 38–43.

3. Кренева Ю.А., Панов В.П., Авдеева М.В., Богомолова К.А. Восстановительный потенциал комплексных реабилитационных мероприятий при оказании первичной медико-санитарной помощи больным с дегенеративными заболеваниями позвоночника. Профилактическая и клиническая медицина. 2018; 2 (67): 76–82.

4. Орел А.М., Семенова О.К. Частота дегенеративно-дистрофических поражений суставов позвоночника у пациентов молодого и среднего возраста с дорсопатией. Российский остеопатический журнал. 2019; 3–4:30–36. https://doi.org/10.32885/2220-0975-2019-3-4-30-36

5. Вышлова И.А., Карпов С.М., Стародубцев А.И. Вертеброгенные болевые синдромы поясничного уровня: эпидемиология, клинические проявления. Медицинский вестник Северного Кавказа. 2016; 4: 586–587. https://doi.org/10.14300/mnnc.2016.00142

6. Gholamrezanezhad A., Basques K., Batouli A. et al. Clinical Nononcologic Applications of PET/CT and PET/MRI in Musculoskeletal, Orthopedic, and Rheumatologic Imaging. Am. J. Roentgenol. 2018; 210 (6): W245–W263. https://doi.org/10.2214/AJR.17.18523

7. Методические рекомендации по разработке инструкций по охране труда для персонала кабинета (отделения) магнитно-резонансной томографии: Методические рекомендации. М.: Государственное бюджетное учреждение здравоохранения города Москвы “Научно-практический центр медицинской радиологии Департамента здравоохранения города Москвы”, 2017. 32 с. (Лучшие практики лучевой и инструментальной диагностики). https://telemedai.ru/media/uploads/2023/02/21/44-_.pdf

8. Hajiheydari N., Delgosha M.S., Saheb T. AI in medical diagnosis: A contextualised study of patient motivations and concerns. Soc. Sci. Med. 2025; 371: 117850. https://doi.org/10.1016/j.socscimed.2025.117850

9. Xuan J., Ke B., Ma W. et al. Spinal disease diagnosis assistant based on MRI images using deep transfer learning methods. Front. Public Health. 2023; 11: 1044525. https://doi.org/10.3389/fpubh.2023.1044525

10. Su Z.H., Liu J., Yang M.S. et al. Automatic Grading of Disc Herniation, Central Canal Stenosis and Nerve Roots Compression in Lumbar Magnetic Resonance Image Diagnosis. Front. Endocrinol. (Lausanne). 2022; 13: 890371. https://doi.org/10.3389/fendo.2022.890371

11. Эксперимент по использованию технологий искусственного интеллекта для анализа медицинских изображений [Электронный ресурс]. MosMed.AI. ГБУЗ “Научно-практический клинический центр диагностики и телемедицинских технологий ДЗМ”. URL: https://mosmed.ai/ai/

12. Бобровская Т.М., Васильев Ю.А., Никитин Н.Ю., Арзамасов К.М. Подходы к формированию наборов данных в лучевой диагностике. Врач и информационные технологии. 2023; 4: 14–23. https://doi.org/10.25881/18110193_2023_4_14

13. Васильев Ю.А., Владзимирский А.В., Омелянская О.В., Арзамасов К.М., Четвериков С.Ф., Румянцев Д.А., Зеленова М.А. Методология тестирования и мониторинга программного обеспечения на основе технологий искусственного интеллекта для медицинской диагностики. Digital Diagnostics. 2023; 4 (3): 252–267. https://doi.org/10.17816/DD321971

14. Документы эксперимента по использованию технологий искусственного интеллекта для анализа медицинских изображений [Электронный ресурс]. MosMed.AI. ГБУЗ “Научно-практический клинический центр диагностики и телемедицинских технологий ДЗМ”. URL: https://mosmed.ai/ai/docs/

15. Свидетельство о государственной регистрации базы данных № 2023621223 Российская Федерация. MosMedData: MPT с признаками патологий пояснично-крестцового отдела позвоночника: № 2023620789: заявл. 24.03.2023: опубл. 17.04.2023 / Ю.А. Васильев, Е.В. Туравилова, А.В. Владзимирский и др.; заявитель Государственное бюджетное учреждение здравоохранения города Москвы “Научно-практический клинический центр диагностики и телемедицинских технологий Департамента здравоохранения города Москвы”. https://mosmed.ai/en/datasets/otkritie-dlya-self-testov/mosmeddata-mrt-s-priznakami-patologii-poyasnichnokresttsovogo-otdela-pozvonochnika-tip-iii/

16. Клинические испытания систем искусственного интеллекта (лучевая диагностика). М.: Государственное бюджетное учреждение здравоохранения города Москвы “Научно-практический клинический центр диагностики и телемедицинских технологий Департамента здравоохранения города Москвы”, 2023. 40 с. https://mosmed.ai/documents/294/web_Клинические_испытания_систем_искусственного_интеллекта_Pxp0V2i.pdf

17. Sun X., Xu W. Fast implementation of DeLong’s algorithm for comparing the areas under correlated receiver operating characteristic curves. IEEE Transactions on Signal Processing. 2014; 21 (11): 1389–1393. https://doi.org/10.1109/LSP.2014.2337313

18. Pauly M., Asendorf T., Konietschke F. Permutation-based inference for the AUC: A unified approach for continuous and discontinuous data. Biom. J. 2016; 58 (6): 1319–1337. https://doi.org/10.1002/bimj.201500105

19. Бобровская Т.М., Васильев Ю.А., Никитин Н.Ю., Владзимирский А.В., Омелянская О.В., Четвериков С.Ф., Арзамасов К.М. Объем выборки для оценки диагностической точности программного обеспечения на основе технологий искусственного интеллекта в лучевой диагностике. Сибирский журнал клинической и экспериментальной медицины. 2024; 39 (3): 188–198. https://doi.org/10.29001/2073-8552-2024-39-3-188-198

20. Nahm F.S. Receiver operating characteristic curve: overview and practical use for clinicians. Korean J. Anesthesiol. 2022; 75 (1): 25–36. https://doi.org/10.4097/kja.21209

21. Low back pain and sciatica in over 16s: assessment and management. London: National Institute for Health and Care Excellence (NICE); 2020 Dec 11. https://www.ncbi.nlm.nih.gov/books/NBK562933/

22. Kwee R.M., Amasha A..AH., Kwee T.C. Reading Times of Common Musculoskeletal MRI Examinations: A Survey Study. Tomography. 2024; 10 (9): 1527–1533. https://doi.org/10.3390/tomography10090112

23. Zheng H.D., Sun Y.L., Kong D.W. et al. Deep learning-based high-accuracy quantitation for lumbar intervertebral disc degeneration from MRI. Nat. Commun. 2022; 13 (1): 841. https://doi.org/10.1038/s41467-022-28387-5

24. Grob A., Loibl M., Jamaludin A. et al. External validation of the deep learning system “SpineNet” for grading radiological features of degeneration on MRIs of the lumbar spine. Eur. Spine J. 2022; 31 (8): 2137–2148. https://doi.org/10.1007/s00586-022-07311-x

25. Jamaludin A., Kadir T., Zisserman A. SpineNet: Automated classification and evidence visualization in spinal MRIs. Med. Image Anal. 2017; 41: 63–73. https://doi.org/10.1016/j.media.2017.07.002

26. Bichu Y.M., Hansa I., Bichu A.Y. et al. Applications of artificial intelligence and machine learning in orthodontics: a scoping review. Prog. Orthod. 2021; 22 (1): 18. https://doi.org/10.1186/s40510-021-00361-9