Opportunistic screening for osteoporosis using artificial intelligence services
- Authors: Artyukova Z.R.1, Kudryavtsev N.D.1, Petraikin A.V.1, Semenov D.S.1, Vladzimirskyy A.V.1,2, Vasilev Y.A.1
-
Affiliations:
- Scientific and Practical Clinical Center for Diagnostics and Telemedicine Technologies
- Sechenov First Moscow State Medical University (Sechenov University)
- Issue: Vol 32, No 2 (2025)
- Pages: 439-448
- Section: Original study articles
- Submitted: 19.08.2024
- Accepted: 08.10.2024
- Published: 22.07.2025
- URL: https://journals.eco-vector.com/0869-8678/article/view/634918
- DOI: https://doi.org/10.17816/vto634918
- EDN: https://elibrary.ru/TGQTAY
- ID: 634918
Cite item
Abstract
BACKGROUND: An osteoporosis (OP) diagnosis technique based on routine CT examinations, which allows detecting radiological signs of OP, is currently being actively implemented. Given the issue of underdiagnosed compression fractures (CFs) on CT images, radiologists could benefit from artificial intelligence (AI) services.
AIM: This study aimed to assess the potential use of AI services for OP diagnosis based on routine CT findings for opportunistic screening.
METHODS: The project involved three health facilities (HFs). Chest CT scans obtained in these HFs between October 2022 and October 2023 in patients over 50 years of age were selected, in which AI services detected signs of OP (CFs and/or reduced vertebral bone density). All cases were re-evaluated by radiologists to identify potential errors made by the service. The final list of patients eligible for dual-energy X-ray absorptiometry (DXA) to confirm osteoporosis was provided to attending physicians in each participating HF.
RESULTS: Over a 12-month period, AI services analyzed 5394 CT scans. CFs and/or reduced vertebral bone density were identified in 1125 patients. Patients with a previously confirmed OP, as well as those who refused or were unable to undergo further testing, were excluded. A total of 66 patients underwent DXA. Age ranged from 54 to 86 years; the median (Q1–Q3) age was 70 (62–74) years; the male to female ratio was 21% and 79%, respectively. According to DXA findings, bone mineral density (BMD) values consistent with OP, osteopenia, and normal BMD were reported in 26 patients (39.4%), 37 patients (56.1%), and 3 patients (4.5%), respectively. Diagnostic performance metrics were calculated for both DXA and CT-based vertebral bone density assessment, with sensitivity of 0.71 vs. 0.91, specificity of 0.80 vs. 0.55, and accuracy of 0.76 vs. 0.67, respectively. Significant differences were observed between osteoporosis, osteopenia, and normal BMD groups, as well as between age-norm groups and those identified by AI services (p < 0.001).
CONCLUSION: The results support the use of AI services for diagnosing OP based on routine CT examinations as part of opportunistic screening.
Full Text
ОБОСНОВАНИЕ
Остеопороз (ОП) — метаболическое заболевание, которое характеризуется снижением минеральной плотности и нарушением микроархитектоники костной ткани. Зачастую ОП проходит безболезненно и диагностируется на стадии возникновения осложнений — переломов при минимальной травме [1].
Методом выбора — золотым стандартом инструментальной диагностики ОП является двухэнергетическая рентгеновская абсорбциометрия (ДРА) [1, 2]. Данный метод предназначен для измерения минеральной плотности кости (МПК) в поясничном отделе позвоночника (ПОП) и проксимальном отделе бедра (ПОБ) [3]. У женщин в постменопаузальном возрасте и мужчин старше 50 лет диагноз «остеопороз» устанавливается при значении Т-критерия менее -2,5 стандартных отклонения. ДРА выполняется в группах риска ОП и у пожилых пациентов (женщины старше 65 лет, мужчины старше 70 лет) по назначению лечащего врача, при этом подчёркивается, что скрининг с помощью данного метода экономически нецелесообразен [1]. У ДРА существуют недостатки и диагностические ограничения, которые могут привести к ложноотрицательным результатам у пациентов с компрессионными переломами (КП). Также данный метод чувствителен к выраженным дегенеративным изменениям, что влечёт за собой завышение МПК и влияет на правильность трактовки исследования [4]. Из-за недостатков, связанных с методом ДРА, и того, что он применяется лишь ограниченной группе лиц, исследуются альтернативные способы ранней диагностики ОП.
На сегодняшний день рассматривается подход к диагностике ОП по данным рутинных рентгенологических исследований, выполненных по другим показаниям. Так, при выполнении компьютерной томографии (КТ) органов грудной клетки (ОГК) и органов брюшной полости (ОБП) можно определить один из признаков ОП — наличие КП тел позвонков [3]. Однако существует проблема гиподиагностики КП по данным рутинных рентгенологических исследований, связанная, вероятнее всего, с тем, что врачи-рентгенологи концентрируются на основной цели сканирования [5, 6].
С целью минимизации пропусков КП активно изучаются возможности сервисов искусственного интеллекта (ИИ-сервисов) в анализе медицинских изображений в качестве системы поддержки принятия решений [7]. Существующие исследования свидетельствуют об эффективности их применения для выявления КП тел позвонков и определения снижения МПК по данным рутинных КТ-исследований ОГК и ОБП [8–10]. Однако, несмотря на проведённые исследования, требуется обоснование возможности использования ИИ-сервисов в качестве компонента оппортунистического скрининга ОП.
Цель исследования — оценить возможность практического применения ИИ-сервисов в ранней диагностике ОП по данным рутинных КТ-исследований для реализации оппортунистического скрининга.
МАТЕРИАЛЫ И МЕТОДЫ
Дизайн исследования
В рамках эксперимента по использованию инновационных технологий в области компьютерного зрения для анализа медицинских изображений и дальнейшего применения в системе здравоохранения города Москвы (далее — Эксперимент) был разработан и реализован пилотный проект по оппортунистическому скринингу ОП с помощью ИИ-сервисов [11]. Проведено многоцентровое проспективное выборочное исследование, схема которого представлена на рис. 1.
Рис. 1. Схема реализации пилотного исследования. ДРА — двухэнергетическая рентгеновская абсорбциометрия, ИИ — искусственный интеллект, КД — компрессионная деформация, КП — компрессионный перелом, КТ ОГК — компьютерная томография органов грудной клетки, МО — медицинская организация, МПК — минеральная плотность кости, ОП — остеопороз, РП — рентгеновская плотность.
Fig. 1. Schematic representation of the pilot study.
Условия проведения
Результаты КТ-сканирования были получены из базы Единого радиологического информационного сервиса (ЕРИС). Томографические исследования выполняли в трёх медицинских организациях (МО), которые оказывают амбулаторно-поликлиническую помощь и подведомственны Департаменту здравоохранения города Москвы. Данные МО участвуют в Эксперименте, они подключены к комплексным ИИ-сервисам, которые проводят оценку КТ ОГК по нескольким патологиям, в том числе и по направлению «Компрессионный перелом тел позвонков (остеопороз)» [11].
В исследовании использовались два ИИ-сервиса: Chest-IRA (ООО «АЙРА Лабс») и CVL — Chest CT Complex (ООО «СиВижинЛаб»). По направлению «остеопороз» ИИ-сервисы имели следующие метрики: Chest-IRA: чувствительность — 1,0, специфичность — 0,98, точность — 0,99, площадь под ROC-кривой (AUC) — 0,99; CVL — Chest CT Complex: чувствительность — 0,98, специфичность — 0,94, точность — 0,96, площадь под ROC-кривой (AUC) — 1,0 [11].
Критерии соответствия
Сформирован список пациентов, которым была выполнена КТ ОГК в период с октября 2022 по октябрь 2023 года. Далее были отобраны КТ-исследования пациентов старше 50 лет, у которых по данным работы ИИ-сервисов выявили признаки ОП: наличие КП и снижение рентгеновской плотности тел позвонков.
Критерии невключения: пациенты моложе 50 лет; пациенты, у которых по данным ИИ-сервисов не было выявлено признаков патологии: высота тел позвонков не снижена и рентгеновская плотность имеет нормальные значения. Исключены из исследования пациенты с ранее установленным диагнозом ОП; пациенты, которые отказались или не смогли пройти ДРА; пациенты, c которыми не удалось связаться.
Продолжительность исследования
Отбор КТ-исследований проводился в период с октября 2022 по октябрь 2023 года. Маршрутизация пациентов для проведения ДРА осуществлялась в период с мая 2023 по декабрь 2023 года. Средний временной диапазон между исследованиями КТ и ДРА составил 3 месяца.
Описание медицинского вмешательства
В соответствии с базовыми диагностическими и функциональными требованиями, которые были разработаны в ходе Эксперимента, ИИ-сервисы анализировали изображения бесконтрастного КТ-исследования [11]. Проводилась автоматическая оценка высоты тел позвонков в вентральном, среднем и дорсальном отделах с последующим расчётом степени компрессионной деформации (КД) по классификации Genant [12]. Измерялась рентгеновская плотность губчатого вещества без захвата замыкательных пластинок и кортикального слоя в вентральном отделе тел позвонков на уровне Th11–L3. Результаты работы ИИ-сервисов предоставлялись в формате текстового описания (DICOM-SR) и дополнительной серии — реконструированного сагиттального среза в виде криволинейной проекции вдоль позвоночного столба, на которой визуально отображались результаты работы ИИ-сервисов (рис. 2а).
Рис. 2. Пример реализации скрининга (женщина, 84 года): a — дополнительная серия КТ-исследования; b — двухэнергетическая рентгеновская абсорбциометрия поясничного отдела позвоночника и проксимального отдела бедра. Пациентке в январе 2023 года была выполнена компьютерная томография органов грудной клетки. Данное КТ-исследование проанализировал ИИ-сервис (Genant-IRA) и выявил признаки остеопороза (компрессионная деформация тела позвонка Th12 до 32%, рентгеновская плотность тел позвонков Th11, L1, L2 менее 100 HU). После этого пациентке была назначена двухэнергетическая рентгеновская абсорбциометрия. Исследование было выполнено в мае 2023 года. По данным денситометрии минеральная плотность кости соответствует остеопорозу. КТ — компьютерная томография, ИИ — искусственный интеллект.
Fig. 2. Example of screening (female, 84 years old): a, additional CT scan series; b, dual-energy X-ray absorptiometry of the lumbar spine and proximal femur. In January 2023, the patient underwent chest CT. The scan was analyzed by an AI service (Genant-IRA), which revealed signs of osteoporosis (compression deformity of the Th12 vertebral body up to 32%, and vertebral body density at Th11, L1, and L2 below 100 HU). The patient was subsequently referred for dual-energy X-ray absorptiometry, which was performed in May 2023.
Отобранные КТ-исследования подвергались повторному чтению врачами-рентгенологами со стажем работы не менее 5 лет на предмет наличия целевой патологии. Был сформирован список пациентов с признаками ОП, у которых по данным КТ-исследования ИИ-сервисы определили КД тел позвонков более 31%, что является оптимальным порогом для разделения на КД и КП [13]. Рентгеновская плотность у отобранных пациентов составляла менее 100 HU, что, согласно позициям ISCD 2023, является признаком ОП [2].
Информация об этой группе пациентов была направлена лечащим врачам в МО, где первоначально проводилось КТ-исследование. Лечащие врачи из МО уведомляли пациентов о наличии выявленных признаков и предлагали пройти дообследование методом ДРА с целью уточнения диагноза «остеопороз» (рис. 2б).
Основной исход исследования
Определение состояний остеопороза, остеопении и нормы по данным МПК, определённой методом ДРА, для пациентов, у которых ИИ-сервисы выявили признаки ОП.
Этическая экспертиза
Одобрение протокола исследования получено на заседании независимого этического комитета Московского регионального отделения Российского общества рентгенологов и радиологов, протокол № 10 от 17 ноября 2022 г.
Статистический анализ
Размер выборки предварительно не рассчитывался. В исследование включали все доступные испытания за период с октября 2022 по октябрь 2023 года. В данном исследовании применялись методы описательной статистики и проводился анализ таблиц сопряжённости полученных результатов с нормой в соответствии с распределением на популяцию для мужчин и женщин методом хи-квадрат при уровне значимости p <0,001. Для статистической обработки использовалась онлайн-платформа medstatistic.
РЕЗУЛЬТАТЫ
Объекты (участники) исследования
За 12 месяцев ИИ-сервисами в трёх МО было проанализировано 5394 КТ-исследования. В них участвовали 3752 пациента (69,6%) старше 50 лет. В 1125 (29,9%) случаях были выявлены признаки КП и снижения рентгеновской плотности тел позвонков. После пересмотра врачами-рентгенологами выборка составила 1091 пациента (20,2%). Из этого количества 66 пациентов согласились пройти ДРА (см. рис. 1). Возраст пациентов, которые прошли дополнительное обследование, варьировал от 54 до 86 лет — 70 (62–74) [медиана (1-й квартиль, 3-й квартиль)], для мужчин — 69,5 (62,25–73,75), для женщин — 70 (62–74), соотношение мужчин и женщин — 21 и 79% (табл. 1).
Таблица 1. Описательная статистика базовых характеристик выборки
Table 1. Descriptive statistics for baseline sample characteristics
Пол | Количество пациентов | Возраст пациентов: медиана (Q1-Q3) | Процентное соотношение (%) |
Мужчины и женщины | 66 | 70 (62–74) | 100 |
Мужчины | 14 | 69,5 (62,25–73,75) | 21 |
Женщины | 52 | 70 (62–74) | 79 |
Основные результаты исследования
По данным ДРА у 26 (39,4%) из общего количества обследованных пациентов были выявлены показатели МПК, которые соответствуют ОП, у 37 (56,1%) — остеопении, и только у 3 (4,5%) — норме (рис. 3).
Рис. 3. Результаты, полученные при двухэнергетической рентгеновской абсорбциометрии. ДРА — двухэнергетическая рентгеновская абсорбциометрия.
Fig. 3. Dual-energy X-ray absorptiometry findings.
Большинство пациентов с ОП, по данным ДРА, были в возрасте от 70 до 80 лет. Остеопения в основном была диагностирована у пациентов в возрасте от 60 до 70 лет. Стоит отметить, что ОП был выявлен преимущественно у женщин — 24 пациентки (46,2%). В силу преобладания в выборке женщин остеопения также была выявлена главным образом у них — 26 пациенток (50,0%). У мужчин МПК в основном соответствовала остеопении — 11 пациентов (78,6%) (рис. 4, табл. 2). Было показано, что статистически значимые различия между мужчинами и женщинами отсутствуют при p >0,05.
Рис. 4. Распределение по полу и минеральной плотности кости пациентов, которым была выполнена двухэнергетическая рентгеновская абсорбциометрия.
Fig. 4. Distribution of patients who underwent DXA by sex and bone mineral density.
Таблица 2. Распределение результатов выполненных исследований с определением состояний «остеопороз / остеопения / норма» и сравнение c данными двухэнергетической рентгеновской абсорбциометрии по г. Москве [14]
Table 2. Distribution of diagnostic outcomes (osteoporosis/osteopenia / normal BMD) and comparison with dual-energy X-ray absorptiometry findings for Moscow [14]
Пол | Группа пациентов | Состояние | ||
Остеопороз | Остеопения | Норма | ||
Мужчины | Выявленные ИИ-сервисами значения (n=14) | 2 (14,3%) | 11 (78,6%) | 1 (7,1%) |
Норма в соответствии с распределением на популяцию | 18,8% | 48,2% | 33,0% | |
Женщины | Выявленные ИИ-сервисами значения (n=52) | 24 (46,2%) | 26 (50,0%) | 2 (3,85%) |
Норма в соответствии с распределением на популяцию | 28,0% | 52,3% | 19,7% |
Примечание. ИИ — искусственный интеллект.
Полученные показатели говорят о том, что у 40 пациентов (60,0%) не был подтверждён диагноз «остеопороз» в ходе денситометрии. Вместе с тем преимущественно у данных пациентов (56,1%) было выявлено предостеопорозное состояние. У 22 пациентов (84,6%) из 26 подтвердился диагноз «остеопороз» по ДРА до проявления осложнений в виде низкоэнергетических переломов крупных суставов.
На основе имеющейся выборки были рассчитаны показатели чувствительности и специфичности методик ДРА и оценки рентгеновской плотности костной ткани по КТ (КТ-денситометрия) для выявления компрессионных переломов. Для ДРА они оказались следующими: чувствительность — 0,71; специфичность — 0,80; точность — 0,76; для КТ-денситометрии: чувствительность — 0,91; специфичность — 0,55; точность — 0,67.
При анализе полученных результатов методом таблиц сопряжённости с использованием критерия хи-квадрат было статистически значимо показано, что характер распределения на признаки «остеопороз / остеопения / норма» отличался у группы возрастной нормы, определённой ранее, и группы пациентов, выделенных сервисами ИИ, как для женщин, так и для мужчин (p <0,001) (см. табл. 2) [14].
ОБСУЖДЕНИЕ
Вследствие непрерывного развития и улучшения качества системы здравоохранения неуклонно увеличивается количество лиц пожилого и старческого возраста, что, в свою очередь, ведёт к росту числа людей с риском возникновения ОП. Так, распространённость ОП в России возросла с 2010 года на 18 % и составила 40 млн человек (16 млн — с остеопорозом и 24 млн — с остеопенией) [15]. Стоит отметить, что в исследовании в выборке пациентов преобладали женщины, что соответствует эпидемиологическим данным о распространении ОП [1, 16].
В настоящее время применяются ИИ-сервисы, которые анализируют медицинские изображения различных модальностей с целью определения КП тел позвонков. Использование данного подхода показало хорошие результаты как для рентгенографии, так и для КТ [9, 17–19]. Помимо этого, широко применяются ИИ-сервисы, которые автоматически измеряют рентгеновскую плотность тел позвонков на КТ-изображениях. Измерение рентгеновской плотности позволяет определить снижение МПК, что также является одним из признаков ОП [20, 21]. Используются также радиомические подходы для прогнозирования переломов по данным КТ-исследований [22]. Важно отметить, что отечественные ИИ-сервисы, которые были рассмотрены в нашем исследовании, не уступают зарубежным аналогам по метрикам точности и функционалу.
Продемонстрирована работа ИИ-сервисов в определении признаков ОП: наличии КП и снижении МПК. Перед тем как допустить ИИ-сервисы в Эксперимент, их подвергают нескольким этапам тестирования: самотестированию (проводится разработчиком), функциональному и калибровочному тестированию (для этих этапов подготавливаются эталонные наборы данных), этапу апробации и опытной эксплуатации (ИИ-сервисы анализируют исследования из МО) [23, 24]. Данные ИИ-сервисы работают в рамках Эксперимента более двух лет, и их метрики (ROC AUC, чувствительность, специфичность и точность) на протяжении всего времени не опускались ниже пороговых значений, что говорит об их высоких функциональных и диагностических способностях [11, 25].
Зачастую врачи-рентгенологи не указывают наличие КП в протоколах рутинных КТ-исследований. Согласно различным исследованиям, лишь в 11–17% случаев КП фиксируются в протоколах описания [5, 6]. В нашей работе (с участием 66 пациентов) врачи-рентгенологи указывали КП в протоколах описания в 33% случаев, в то время как в заключении — всего в 8%.
Следует отметить, что ранее оценивалась только эффективность применения ИИ-сервисов, работающих в Эксперименте по направлению ОП, на этапе тестирования на заранее подготовленном наборе данных, не в рамках работы в МО [11, 26, 27]. В ходе реализованного проекта у 26 пациентов (39,4%) из 66, которые обратились в МО для оказания амбулаторно-поликлинической помощи и которым была выполнена КТ ОГК, был диагностирован ОП. По данным ДРА, у жителей Москвы старше 50 лет данный показатель составляет 27,4% [14]. Важно отметить, что ранее у этих пациентов не был установлен данный диагноз. Они были направлены на проведение ДРА лечащим врачом в качестве дополнительного исследования с целью подтверждения диагноза после выявления признаков ОП ИИ-сервисами. У 37 пациентов (56,1%) было выявлено состояние остеопении, что также выше определённого ранее показателя (50,3%) [14]. Это необходимо принимать во внимание врачам-клиницистам. Следует подчеркнуть важную роль в данном исследовании лечащих врачей МО, которые направляли пациентов на дообследование для подтверждения диагноза.
Проанализированы метрики точности для двух методик диагностики остеопороза (ДРА и КТ-денситометрии) по отношению к выявленным КП с помощью ИИ-сервисов, которые были подтверждены врачом-экспертом. В соответствии с полученными результатами демонстрируется гиподиагностика относительно применения ДРА с точность до 0,67. Эти данные коррелируют с данными, полученными в ходе исследования M.T. Löffler и соавт., где ROC AUC=0,67 [28]. Относительно данных по КТ-денситометрии определяется низкая специфичность, что ведёт, в свою очередь, к гипердиагностике. По литературным данным, при выполнении КТ-денситометрии значение Т-критерия занижается до -0,3 стандартных отклонения [29].
Таким образом, было показано, что в итоговой выборке, сформированной с учётом результатов ИИ-сервисов и подтверждённой врачом-рентгенологом, преобладали пациенты с МПК ниже значений по данным ДРА, полученным на группе возрастной нормы (p <0,001) [14]. Сходные данные были получены и в отечественном обзоре о распространённости ОП в случайной популяционной выборке [30].
Перспективность использования ИИ-сервисов заключается в возможности анализа КТ-исследований, которые были выполнены по другим показаниям, отличным от ОП, без дополнительной лучевой нагрузки на пациента. Визуальная и текстовая детализация результатов работы ИИ-сервисов поможет снизить временные затраты при формировании протоколов описания врачами-рентгенологами. Вместе с тем работа ИИ-сервисов позволяет повысить выявляемость КП и снижения рентгеновской плотности тел позвонков при рутинных КТ-исследованиях [31, 32].
Выявленные низкоэнергетические КП тел позвонков (не компрессионная деформация и не результат высококинетической травмы) у пациента старше 50 лет сигнализирует о наличии у пациента тяжёлого ОП и требует рассмотрения вопроса о назначении лечения [1]. КП могут быть выявлены доступными методами инструментальной диагностики (рентгенография, КТ, магнитно-резонансная томография). При выявлении КП с помощью ИИ-сервисов необходимыми условиями реализации данного подхода являются пересмотр результатов ИИ-сервисов врачами-рентгенологами для исключения деформации, не связанной с ОП, и сопоставление их с клинико-лабораторными данными. Ранняя диагностика признаков ОП позволит маршрутизировать пациента в МО и своевременно разработать тактику лечения до манифестации заболевания в виде остеопоротических переломов.
Ограничения исследования
К ограничениям исследования можно отнести малую выборку пациентов, расширение которой является предметом дальнейшего развития проекта.
ЗАКЛЮЧЕНИЕ
Полученные результаты исследования свидетельствуют о целесообразности использования ИИ-сервисов для диагностики ОП по данным рутинных КТ-исследований. Функциональный и диагностический потенциал ИИ-сервисов демонстрирует высокую продуктивность их работы. ИИ-сервисы могут быть использованы в качестве компонента оппортунистического скрининга ОП, что повысит выявляемость заболевания на доклинической стадии, позволит своевременно начать лечение и предотвратить осложнения.
ДОПОЛНИТЕЛЬНАЯ ИНФОРМАЦИЯ
Вклад авторов. З.Р. Артюкова, Н.Д. Кудрявцев ― написание текста статьи, выполнение экспериментальной части исследования, валидация; А.В. Петряйкин, Д.С. Семёнов ― анализ полученных данных; А.В. Владзимирский, Ю.А. Васильев ― концепция и дизайн исследования. Все авторы одобрили финальную версию перед публикацией, а также согласились нести ответственность за все аспекты работы, гарантируя надлежащее рассмотрение и решение вопросов, связанных с точностью и добросовестностью любой её части.
Этический комитет. Одобрение протокола исследования получено на заседании независимого этического комитета Московского регионального отделения Российского общества рентгенологов и радиологов, протокол № 10 от 17 ноября 2022 г. Все участники добровольно подписали форму информированного согласия до включения в исследование.
Источники финансирования. Данная работа подготовлена авторами в рамках НИОКР «Разработка и создание аппаратно-программного комплекса для оппортунистического скрининга остеопороза» (№ ЕГИСУ: 123031400007–7).
Раскрытие интересов. Авторы заявляют об отсутствии отношений, деятельности и интересов (личных, профессиональных или финансовых), связанных с третьими лицами (коммерческими, некоммерческими, частными), интересы которых могут быть затронуты содержанием статьи, а также иных отношений, деятельности и интересов за последние три года, о которых необходимо сообщить.
Оригинальность. При создании настоящей работы авторы не использовали ранее опубликованные сведения (текст, данные).
Генеративный искусственный интеллект. При создании настоящей статьи технологии генеративного искусственного интеллекта не использовали.
Рассмотрение и рецензирование. Настоящая работа подана в журнал в инициативном порядке и рассмотрена по обычной процедуре. В рецензировании участвовали два внешних рецензента, член редакционной коллегии и научный редактор издания.
Информированное согласие на публикацию. Авторы получили письменное разрешение пациентов на публикацию медицинских данных (изображений). Участники исследования дали информирование согласие на участие.
ADDITIONAL INFORMATION
Author contributions: Z.R. Artyukova, N.D. Kudryavtsev: investigation, validation, writing—original draft; A.V. Petraikin, D.S. Semenov: formal analysis; A.V. Vladzymyrskyy, Yu.A. Vasilev: conceptualization, methodology. All the authors approved the final version of the manuscript to be published and agreed to be accountable for all aspects of the work, ensuring that questions related to the accuracy or integrity of any part of the work are appropriately investigated and resolved.
Funding sources: This study was part of the research and development project “Development of a Hardware and Software System for Opportunistic Osteoporosis Screening” (EGISU No. 123031400007–7).
Disclosure of interests: The authors have no relationships, activities, or interests (personal, professional, or financial) related to for-profit, not-for-profit, or private third parties whose interests may be affected by the content of the article, as well as no other relationships, activities, or interests in the past three years to disclose.
Statement of originality: No previously published material (text, or data) was used in this article.
Generative AI: No generative artificial intelligence technologies were used to prepare this article.
Provenance and peer-review: This paper was submitted unsolicited and reviewed following the standard procedure. The peer review process involved two external reviewers, a member of the editorial board, and the in-house scientific editor.
Consent for publication: This article does not contain any identifiable information about the participants. All participants provided written informed consent to participate in the study.
About the authors
Zlata R. Artyukova
Scientific and Practical Clinical Center for Diagnostics and Telemedicine Technologies
Author for correspondence.
Email: zl.artyukova@gmail.com
ORCID iD: 0000-0003-2960-9787
SPIN-code: 7550-2441
MD
Russian Federation, 24 Petrovka st, bldg 1, Moscow, 127051Nikita D. Kudryavtsev
Scientific and Practical Clinical Center for Diagnostics and Telemedicine Technologies
Email: KudryavtsevND@zdrav.mos.ru
ORCID iD: 0000-0003-4203-0630
SPIN-code: 1125-8637
MD
Russian Federation, 24 Petrovka st, bldg 1, Moscow, 127051Alexey V. Petraikin
Scientific and Practical Clinical Center for Diagnostics and Telemedicine Technologies
Email: alexeypetraikin@gmail.com
ORCID iD: 0000-0003-1694-4682
SPIN-code: 6193-1656
MD, Dr. Sci. (Medicine), Associate Professor
Russian Federation, 24 Petrovka st, bldg 1, Moscow, 127051Dmitry S. Semenov
Scientific and Practical Clinical Center for Diagnostics and Telemedicine Technologies
Email: SemenovDS4@zdrav.mos.ru
ORCID iD: 0000-0002-4293-2514
SPIN-code: 2278-7290
Cand. Sci. (Engineering)
Russian Federation, 24 Petrovka st, bldg 1, Moscow, 127051Anton V. Vladzimirskyy
Scientific and Practical Clinical Center for Diagnostics and Telemedicine Technologies; Sechenov First Moscow State Medical University (Sechenov University)
Email: VladzimirskijAV@zdrav.mos.ru
ORCID iD: 0000-0002-2990-7736
SPIN-code: 3602-7120
MD, Dr. Sci. (Medicine)
Russian Federation, 24 Petrovka st, bldg 1, Moscow, 127051; MoscowYuriy A. Vasilev
Scientific and Practical Clinical Center for Diagnostics and Telemedicine Technologies
Email: VasilevYA1@zdrav.mos.ru
ORCID iD: 0000-0002-5283-5961
SPIN-code: 4458-5608
MD, Cand. Sci. (Medicine)
Russian Federation, 24 Petrovka st, bldg 1, Moscow, 127051References
- Belaya ZhE, Belova KYu, Biryukova EV, et al. Federal clinical guidelines for diagnosis, treatment and prevention of osteoporosis. Osteoporosis and Bone Diseases. 2021;24(2):4–47. doi: 10.14341/osteo12930 EDN: TUONYE
- The International Society For Clinical Densitometry (ISCD). The Adult Official Positions of the ISCD. 2023. Available from: https://iscd.org/official-positions-2023/ Accessed: Apr 18, 2023.
- Petryaikin AV, Artyukova ZR, Nizovtsova LA, et al. M 54 Methodological recommendations for conducting dual-energy X-ray absorptiometry. Moscow: GBUZ “NPCC DiT DZM”; 2022. 60 p. (In Russ.).
- Alacreu E, Moratal D, Arana E. Opportunistic screening for osteoporosis by routine CT in Southern Europe. Osteoporosis International. 2017;28(3):983–990. doi: 10.1007/s00198-016-3804-3
- Gossner J. Missed incidental vertebral compression fractures on computed tomography imaging: More optimism justified. World J Radiol. 2010;21(2):472–473. doi: 10.4329/wjr.v2.i12.472
- Carberry GA, Pooler BD, Binkley N, et al. Unreported vertebral body compression fractures at abdominal multidetector CT. Radiology. 2013;268(1):120–126. doi: 10.1148/radiol.13121632
- Vasiliev YuA, Vladzimirsky AV. Computer vision in radiation diagnostics: the first stage of the Moscow Experiment. Moscow: Publishing Solution; 2023. (In Russ.).
- Pisov M, Kondratenko V, Zakharov A, et al. Keypoints Localization for Joint Vertebra Detection and Fracture Severity Quantification. Lecture Notes in Computer Science. 2020;12266:723–732. doi: 10.1007/978-3-030-59725-2_70
- Tomita N, Cheung YY, Hassanpour S. Deep neural networks for automatic detection of osteoporotic vertebral fractures on CT scans. Computers in Biology and Medicine. 2018;98:8–15. doi: 10.1016/j.compbiomed.2018.05.011
- Cheng X, Zhao K, Zha X, et al. Opportunistic Screening Using Low-Dose CT and the Prevalence of Osteoporosis in China: A Nationwide, Multicenter Study. Journal of Bone and Mineral Research. 2021;36(3):427–435. doi: 10.1002/jbmr.4187
- Artificial intelligence services in radiation diagnostics. 2023. Available from: https://mosmed.ai/ Accessed: Apr 18, 2023. (In Russ.).
- Genant HK, Wu CY, van Kuijk C, et al. Vertebral fracture assessment using a semiquantitative technique. J Bone Miner Res. 1993;8(9):1137–48. doi: 10.1002/jbmr.5650080915
- Petryaikin AV, Belaya ZhE, Belyaev MG, et al. Accuracy of automatic diagnostics of compression fractures of vertebral bodies according to the morphometric algorithm of artificial intelligence. Osteoporosis and Bone Diseases. 2022;25(3):92–93. (In Russ.). doi: 10.14341/osteo13064
- Petraikin AV, Artyukova ZR, Kudryavtsev ND, et al. Analysis of Age Distribution of Bone Mineral Density by Dual-Energy X-Ray Absorptiometry. Journal of Radiology and Nuclear Medicine. 2023;104(1):21–29. doi: 10.20862/0042-4676-2023-104-1-21-29 EDN: ULUKYU
- Lesnyak OM, Yershova OB, Zakroeva AG, et al. Audit of the Russian Osteoporosis Association. 2020. Р. 44. (In Russ.).
- Salari N, Ghasemi H, Mohammadi L, et al. The global prevalence of osteoporosis in the world: a comprehensive systematic review and meta-analysis. Journal of Orthopaedic Surgery and Research. 2021;16(1):609. doi: 10.1186/s13018-021-02772-0
- Murata K, Endo K, Aihara T, et al. Artificial intelligence for the detection of vertebral fractures on plain spinal radiography. Sci Rep. 2020;10(1):20031. doi: 10.1038/s41598-020-76866-w
- Dong Q, Luo G, Lane NE, et al. Deep Learning Classification of Spinal Osteoporotic Compression Fractures on Radiographs using an Adaptation of the Genant Semiquantitative Criteria. Acad Radiol. 2022;29(12):1819–1832. doi: 10.1016/j.acra.2022.02.020
- Valentinitsch A, Trebeschi S, Kaesmacher J, et al. Opportunistic osteoporosis screening in multi-detector CT images via local classification of textures. Osteoporos Int. 2019;30(6):1275–1285. doi: 10.1007/s00198-019-04910-1
- Yasaka K, Akai H, Kunimatsu A, et al. Prediction of bone mineral density from computed tomography: application of deep learning with a convolutional neural network. Eur Radiol. 2020;30(6):3549–3557. doi: 10.1007/s00330-020-06677-0
- Nam KH, Seo I, Kim DH, et al. Machine Learning Model to Predict Osteoporotic Spine with Hounsfield Units on Lumbar Computed Tomography. J Korean Neurosurg Soc. 2019;62(4):442–449. doi: 10.3340/jkns.2018.0178
- Zhang J, Liu J, Liang Z, et al. Differentiation of acute and chronic vertebral compression fractures using conventional CT based on deep transfer learning features and hand-crafted radiomics features. BMC Musculoskeletal Disorders. 2023;24(1):165. doi: 10.1186/s12891-023-06281-5
- Certificate of State registration of the database No. 2023621171 Russian Federation. Vasiliev YuA, Turavilova EV, Vladzimirsky AV, et al. MosMedData: CT scan with signs of spinal osteoporosis. The applicant is the State Budgetary Healthcare Institution of the city of Moscow “Scientific and Practical Clinical Center for Diagnostics and Telemedicine Technologies of the Department of Healthcare of the City of Moscow”. Registration date: 04/11/2023. (In Russ.).
- Vasiliev YuA, Vlazimirsky AV, Omelyanskaya OV, et al. Methodology for testing and monitoring artificial intelligence-based software for medical diagnostics. Digital Diagnostics. 2023;4(3):252−267. doi: 10.17816/DD321971 EDN: UEDORU
- Bobrovskaya TM, Kirpichev YS, Savkina EF, Chetverikov SF, Arzamasov KM. Development and validation of a tool for statistical comparison of roc-curves using the example of algorithms based on artificial intelligence technologies Medical doctor and information technologies. 2023;3:4–15. doi: 10.25881/18110193_2023_3_4 EDN: CUFICX
- Artyukova ZR, Kudryavtsev ND, Petraikin AV, et al. Using an artificial intelligence algorithm to assess the bone mineral density of the vertebral bodies based on computed tomography data. Medical Visualization. 2023;27(2):125–137. doi: 10.24835/1607-0763-1257 EDN: FQACCV
- Petraikin AV, Belaya ZhE, Kiseleva AN, 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. doi: 10.14341/probl12605 EDN: GLXSYG
- Löffler MT, 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(8):6069–6077. doi: 10.1007/s00330-020-07655-2
- Petraikin AV, Toroptsova NV, Nikitsinskaya OA, et al. Using asynchronous quantitative computed tomography for opportunistic screening of osteoporosis. Rheumatology Science and Practice. 2022;60(3):360–368. doi: 10.47360/1995-4484-2022-360-368 EDN: KTYJHB
- Mikhailov EE, Benevolenskaya LI. Epidemiology of osteoporosis and fractures. In: A Guide to Osteoporosis. Moscow: BINOM. Laboratory of Knowledge; 2003: 10–55. (In Russ.).
- Morozov SP, Gavrilov AV, Arkhipov IV, et al. Effect of artificial intelligence technologies on the CT scan interpreting time in COVID-19 patients in inpatient setting. Russian Journal of Preventive Medicine. 2022;25(1):14–20. doi: 10.17116/profmed20222501114 EDN: QRZZKS
- Vladzymyrskyy AV, Kudryavtsev ND, Kozhikhina DD, et al. Effectiveness of using artificial intelligence technologies for dual descriptions of the results of preventive lung examinations. Russian Journal of Preventive Medicine. 2022;25(7):7–15. doi: 10.17116/profmed2022250717 EDN: JNUMFN
Supplementary files
