Методы на основе ИИ для автоматизации анализа плотности костей в Dexa Scans

Введение: Клиническая важность сканирования DEXA

Двухэнергетическая рентгеновская абсорбционометрия (DEXA или DXA) остается золотой стандартной методикой визуализации для измерения минеральной плотности костей (BMD) и диагностики остеопороза. Сканирование DEXA использует два разных уровня энергии рентгеновского излучения для изоляции и количественной оценки костной и мягкой ткани, предоставляя Т-баллы, которые сравнивают BMD пациента со здоровой популяцией сравнения молодых взрослых. Всемирная организация здравоохранения давно рекомендовала DEXA в качестве основного инструмента для оценки риска переломов, но его интерпретация традиционно опиралась на ручное, трудоемкое чтение обученными радиологами или денситометристами. Этот ручной шаг вводит оператор-зависимую изменчивость и может задержать результаты пациента в условиях большого объема.

В последние годы искусственный интеллект (ИИ) и машинное обучение начали трансформировать то, как обрабатываются и анализируются сканы DEXA. Автоматизируя задачи сегментации, извлечения функций и классификации, ИИ обещает обеспечить более быстрые, более последовательные и более доступные оценки BMD. В этой статье рассматриваются основные методы ИИ, применяемые к анализу DEXA, доказательства, подтверждающие их использование, препятствия, которые остаются, и то, что будущее может иметь для оценки плотности костной ткани.

Роль DEXA в диагностике остеопороза

Остеопороз - это системное скелетное заболевание, характеризующееся низкой костной массой и ухудшением микроархитектуры, что приводит к увеличению риска переломов. Это молчаливая эпидемия - часто недиагностируемая до тех пор, пока не произойдет перелом. Сканирование DEXA является центральным как для диагностики, так и для мониторинга. Международное общество клинической денситометрии (ISCD) установило стандартизированные протоколы для измерения поясничного отдела позвоночника, проксимальной бедренной кости и других участков. Т-баллы −2,5 или ниже в любом из этих мест подтверждают остеопороз, в то время как оценки между −1,0 и −2,5 указывают на остеопению (низкая костная масса).

Несмотря на широкое использование, интерпретация DEXA не тривиальна. Артефакты дегенеративных изменений, предшествующей операции, кальцификации сосудов или ошибок позиционирования могут сбивать с толку результаты. Кроме того, ручная идентификация областей, представляющих интерес (ROI), таких как точные границы позвонков L1-L4 или бедренной шеи, требует согласованности в последующих сканах для обеспечения значимого сравнения. Эти проблемы создают естественную возможность для ИИ повысить точность и эффективность рабочего процесса.

Как искусственный интеллект улучшает анализ DEXA

Методы на основе ИИ, особенно глубокое обучение, отлично подходят для распознавания образов в медицинских изображениях. Для сканирования DEXA основными задачами, которые выигрывают от автоматизации, являются:

Эти задачи связаны: плохая сегментация приводит к неточной оценке МПК, в то время как низкокачественное сканирование может давать ложноотрицательные или ложноположительные результаты. Модели ИИ могут быть обучены сквозным образом для обработки всех этих шагов, обеспечивая полный переход от необработанного изображения DEXA к клинически полезному отчету.

Архитектура глубокого обучения для DEXA

В большинстве недавних исследований используются сверточные нейронные сети (CNN), рабочая лошадка компьютерного зрения, адаптированная для медицинской визуализации. CNN состоит из нескольких сверточных слоев, которые изучают иерархические особенности - начиная с краев и текстур низкого уровня до форм высокого уровня и анатомических структур. Для DEXA CNN обычно используются в рамках U-Net для семантической сегментации и в магистралях ResNet или DenseNet для классификации категорий BMD или риска переломов.

Трансфертное обучение широко распространено, потому что наборы данных медицинской визуализации часто ограничены. Предварительно обученные модели из больших баз данных естественного изображения (например, ImageNet) настроены на изображения DEXA, резко сокращая требуемые данные обучения и время вычислений при сохранении высокой точности. Одно исследование, опубликованное в Радиология: искусственный интеллект , показало, что CNN, изучаемый при передаче, может сегментировать поясничные позвонки с коэффициентом Дайса 0,94, приближаясь к соглашению между наблюдателями среди опытных радиологов [Hemke et al., 2020] .

Автоматическая сегментация поясничного отдела позвоночника и проксимальной мякоти

Точное размещение ROI имеет решающее значение, поскольку BMD рассчитывается как средняя плотность в определенной области. В поясничном отделе позвоночника оператор должен выбирать отдельные тела позвонков L1-L4, избегая поперечных процессов и спинномозгового канала. Модели сегментации ИИ, обученные на тысячах экспертно аннотированных сканах DEXA, теперь могут достичь этого с миллиметрической точностью. Систематический обзор 2022 года в Osteoporosis International сообщил, что сегментация глубокого обучения тазобедренного сустава и позвоночника последовательно превосходит ручную контурацию как по скорости (субсекунда против минут), так и по повторяемости (Graziani et al., 2022) .

Автоматизированная сегментация также обеспечивает продольную согласованность: ИИ может автоматически выравнивать последующие сканирования с базовыми показателями рентабельности инвестиций, сводя к минимуму дрейф, который может затмить истинные изменения МПК или создать ложные тенденции. Это особенно ценно для мониторинга пациентов на терапии остеопороза, где небольшие ежегодные изменения (0,5-2%) должны быть отличимы от ошибки измерения.

Ключевые методы ИИ в оценке плотности костей

Свёрточные нейронные сети (CNN)

CNNs формируют основу большинства трубопроводов DEXA AI. Они могут быть настроены для классификации (например, остеопороз против остеопении против нормы), регрессии (прогнозирование T-балла) или сегментации. Последние достижения включают механизмы внимания, которые позволяют сети сосредоточиться на наиболее информативных областях, и методы ансамбля, которые объединяют несколько моделей для уменьшения дисперсии. Примечательным примером является использование 3D-CNN на данных объемной BMD DEXA, которые учитывают информацию о глубине, недоступную в стандартном 2D DEXA, потенциально улучшая прогноз переломов.

Автоматическая оценка перелома позвоночника (VFA)

Vertebral fractures are a frequent but often undiagnosed consequence of osteoporosis. DEXA systems can perform lateral spine imaging (VFA) to identify compression fractures. AI algorithms have been developed to classify vertebrae as normal or fractured using deep learning. One multi‑center study using a ResNet‑50 model achieved an area under the receiver operating characteristic curve (AUC) of 0.96 for moderate‑to‑severe fractures, matching expert radiologists (Tang et al., 2021). This capability is being integrated into commercial DEXA platforms, enabling opportunistic screening without additional imaging time.

Обучение трансферу и расширение данных

Поскольку наборы данных DEXA относительно малы (часто от сотен до нескольких тысяч изображений), обучение передаче имеет важное значение. Модели, предварительно обученные на естественных изображениях, изучают общие особенности, такие как края и текстуры, которые могут быть перепрофилированы для медицинских изображений. Увеличение данных - применение случайных вращений, масштабирование, упругие деформации и изменения контраста - дополнительно расширяет эффективный размер обучения и улучшает обобщение. Эти методы позволили достичь клинической производительности даже с ограниченными данными обучения, уменьшая барьер для входа для небольших исследовательских групп и клиник.

Слабый контроль и полуконтролируемое обучение

Полностью контролируемая сегментация требует аннотации на уровне пикселей, что является трудоемким для получения от радиологов. Слабо контролируемые методы используют только метки уровня изображения (например, «присутствующий остеопороз») для обучения моделей, которые все еще могут локализовать интересующие области. Полуконтролируемое обучение использует небольшой набор меченых изображений в сочетании с большим немаркированным пулом, который распространен в реальных архивах PACS. Эти подходы обещают масштабировать разработку ИИ без пропорциональных затрат на аннотацию.

Преимущества AI-Assisted DEXA

Текущие клинические применения и доказательства

Анализ DEXA на основе ИИ переместился из исследовательских лабораторий в коммерческие продукты. Несколько поставщиков теперь предлагают программное обеспечение с улучшенным AI для полностью автоматизированного расчета BMD и VFA. Многоцентровое проспективное исследование в Европе и Северной Америке подтвердило, что алгоритм ИИ имел ненижнюю диагностическую производительность по сравнению с консенсусом двух экспертов-читателей с разницей в баллах менее 0,1 стандартного отклонения. Алгоритм поддерживал производительность в различных моделях сканера DEXA (Hologic, GE Lunar) и habitus тела пациента.

В Великобритании Национальный институт здравоохранения и совершенствования медицинской помощи (NICE) включил анализ DEXA с помощью ИИ в раннюю оценку риска перелома остеопороза. Клиническое принятие растет, хотя многие больницы по-прежнему используют ИИ в качестве второго считывателя - сравнивая автоматизированные результаты с ручными показаниями до установления полного доверия.

Исследования продолжают оценивать способность ИИ прогнозировать будущие переломы непосредственно из изображений DEXA, потенциально включающих особенности текстуры и микроархитектуры костей за пределами простой BMD. Недавнее исследование в JAMA Network Open показало, что модель глубокого обучения с использованием одних только изображений DEXA бедра может предсказать риск перелома бедра с AUC 0,82, превосходя традиционные оценки FRAX (AUC 0,74), когда были добавлены клинические переменные (Holzer et al., 2023) .

Проблемы клинического усыновления

Несмотря на очевидные преимущества, необходимо преодолеть несколько препятствий, прежде чем анализ DEXA на основе ИИ станет обычным делом.

Будущие направления

Интеграция с мультимодальными данными

Следующим шагом является интеграция результатов ИИ, полученных из DEXA, с другими клиническими данными: биомаркерами сыворотки (витамин D, PTH, маркеры костного оборота), генетикой и визуализацией из других модальностей (количественная КТ, периферийная ККТ с высоким разрешением). целостная модель прогнозирования риска, которая объединяет текстуру кости, извлеченную из AI, с клиническими переменными, может превысить текущие оценки риска на основе FRAX.

Полностью автоматизированная интерпретация DEXA

Сквозные системы ИИ, которые управляют контролем качества получения изображений, сегментацией, расчетом BMD, оценкой переломов и генерацией отчетов, уже находятся на стадии прототипа. Некоторые системы даже включают генерацию естественного языка (NLG) для создания текста повествовательного впечатления. Если они будут проверены, они могут снизить роль радиолога в надзоре и обработке исключений, резко увеличивая емкость.

Оппортунистический скрининг с использованием не-DEXA сканирования

ИИ также позволяет проводить «оппортунистическую» оценку плотности костной ткани с помощью обычных КТ (например, абдоминальной или грудной КТ) путем экстраполяции значений ослабления кости. Хотя этот подход не заменяет DEXA, он может идентифицировать ранее неподозрительный остеопороз у пациентов, проходящих КТ по другим показаниям, потенциально удваивая скорость обнаружения в определенных популяциях.

Постоянное обучение и федеративное обучение

Для обновления моделей ИИ с помощью новых моделей сканеров и демографических данных пациентов разрабатываются алгоритмы непрерывного обучения, которые адаптируются без полной переподготовки.Федерированное обучение позволяет нескольким учреждениям сотрудничать в улучшении моделей без обмена конфиденциальными данными пациентов, решая проблемы конфиденциальности при одновременном расширении разнообразия наборов данных.

Заключение

Методы на основе ИИ быстро созревают от экспериментальных инструментов до клинически интегрированных систем для анализа сканирования DEXA. Автоматизируя сегментацию, измерение плотности и обнаружение переломов, эти методы предлагают ощутимые улучшения в скорости, последовательности и доступности. Ранние данные свидетельствуют о том, что ИИ может соответствовать или превосходить ручную производительность в контролируемых условиях, с дополнительным преимуществом помечения случайных результатов и обеспечения продольной точности. Однако полное клиническое принятие потребует более крупных, более разнообразных исследований валидации, прозрачной интерпретации модели и бесшовной интеграции рабочих процессов. По мере развития нормативных основ и укрепления доверия ИИ готов стать незаменимым партнером в диагностике и лечении остеопороза - в конечном итоге улучшая результаты для миллионов пациентов во всем мире.