Медицинская литература. Новинки

 

 

 

 

 

 

Применение алгоритма искусственного интеллекта для оценки минеральной плотности тел позвонков по данным компьютерной томографии

Вы можете загрузить полный текст статьи в формате pdf

Цель работы: разработать методику автоматизированной оценки объемной минеральной плотности кости (МПК) тел позвонков с помощью алгоритма искусственного интеллекта (ИИ) и метода фантомного моделирования.Материалы и методы: Для оценки эффективности алгоритма ИИ, проводящего измерение МПК тел позвонков по данным КТ органов грудной клетки (ОГК), подготовлен набор данных: 100 пациентов старше 50 лет и отношением с/без компрессионных переломов (КП) 48/52. Из них у 83 алгоритмом ИИ и экспертами была измерена рентгеновская плотность (РП) тел позвонков на уровне Th11-L3 (205 позвонков). Для перевода РП (HU) в МПК применялась разработанная ранее методика ККТ ФК (Количественная компьютерная томография фантом калиевый) с построением калибровочных прямых для семи 64-срезовых КТ сканеров. После проведения калибровки были выполнены и обработаны алгоритмом ИИ КТ ОГК 1853 пациентов в соотношении мужчин и женщин составило 718/1135.Результаты: В ходе оценки эффективности алгоритма ИИ получено хорошее соответствие при сравнении измерений МПК по данным экспертов и алгоритма ИИ. Коэффициент детерминации составил R2= 0,945 для отдельных позвонков (Th11-L3) и 0,943 для пациентов (р=0,000). При разделении пациентов из тестовой выборки на группы с/без КП по данным РП были получены сходные показатели ROC AUC для экспертной разметки 0,880 и по данным алгоритма ИИ 0,875. При калибровке КТ сканеров с помощью фантома, содержащего образцы МПК на основе гидрофосфата калия, получена усредненная формула зависимости МПК=0,77*HU-1,343. С учетом критериев American College Radiology для остеопороза граничное значение МПК<80 мг/мл составило 105,6HU для остеопении МПК<120 мг/мл – 157,6HU. При оппортунистическом определении МПК у пациентов старше 50 лет по данным алгоритма ИИ было установлено, что остеопороз выявлен у 31,72% женщин и 18,66% мужчин.Вывод: Продемонстрирована хорошая сопоставимость результатов определения РП тел позвонков по данным морфометрического алгоритма ИИ и при экспертной разметке. Предложена методика и продемонстрирована эффективность оппортунистического определения МПК тел позвонков по данным КТ с помощью алгоритма ИИ и использования фантомного моделирования.

Ключевые слова:
минеральная плотность кости, искусственный интеллект, количественная компьютерная томография, остеопороз, КТ-денситометрия., bone mineral density, artificial intelligence, quantitative computed tomography, osteoporosis, CT densitometry

Литература:
1.Белая Ж.Е., Белова К.Ю., Бирюкова Е.В. и др. Федеральные клинические рекомендации по диагностике, лечению и профилактике остеопороза Федеральные клинические рекомендации по диагностике, лечению и профилактике остеопороза. Остеопороз и остеопатии. 2021; 24 (2): 4-47. https://doi.org/10.14341/osteo12930
2.Brown J.K., Timm W., Bodeen G. et al. Asynchronously Calibrated Quantitative Bone Densitometry. J. Clin. Densitom. 2017; 20 (2): 216–225. https://doi.org/10.1016/j.jocd.2015.11.001
3.Петряйкин А.В., Скрипникова И.А. Количественная компьютерная томография, современные данные. Обзор. Медицинская визуализация. 2021. 25 (4): 134–146. https://doi.org/10.24835/1607-0763-1049
4.2019 ISCD Official Positions – Adult – International Society for Clinical Densitometry. Available at https://iscd.org/wp-content/uploads/2021/09/2019-Official-Positions-Adult-1.pdf Accessed August 20, 2022
5.Alacreu E., Moratal D., Arana E. Opportunistic screening for osteoporosis by routine CT in Southern Europe. Osteoporos. Int. 2017. 28; (3): 983–990. https://doi.org/10.1007/s00198-016-3804-3
6.Jang S., Graffy P.M., Ziemlewicz T. J. et al. Opportunistic osteoporosis screening at routine abdominal and Thoracic CT: Normative L1 trabecular attenuation values in more than 20 000 adults. Radiology. 2019; 291 (2): 360–367. https://doi.org/10.1148/radiol.2019181648
7.Savage R.H. van Assen M., Martin S. S. et al. Utilizing Artificial Intelligence to Determine Bone Mineral Density Via Chest Computed Tomography. J. Thorac. Imaging. 2020; 35 (1): S35-S39. https://doi.org/10.1097/RTI.0000000000000484.
8.Tang C. Zhang, W., Li, H. et al. CNN-based qualitative detection of bone mineral density via diagnostic CT slices for osteoporosis screening. Osteoporos Int. 2021; 32: 971–979. https://doi.org/10.1007/s00198-020-05673-w
9.Pickhardt P.J., Lee S.J., Liu J. et al. Population-based opportunistic osteoporosis screening: Validation of a fully automated CT tool for assessing longitudinal BMD changes. Br J Radiol. 2019; 92 (1094): 20180726. https://doi.org/10.1259/bjr.20180726
10.Loffler, M.T., 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: 6069–6077. https://doi.org/10.1007/s00330-020-07655-2
11.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: 1275–1285. https://doi.org/10.1007/s00198-019-04910-1
12.Bar A., Wolf L., Amitai O. B. et al. Compression fractures detection on CT. Medical Imaging 2017: Computer-Aided Diagnosis. SPIE, 2017; 10134: 1013440. https://doi.org/10.48550/arXiv.1706.01671
13.Tomita N., Cheung Y.Y., Hassanpour S. Deep neural networks for automatic detection of osteoporotic vertebral fractures on CT scans. Comput. Biol. Med. 2018; 98: 8–15. https://doi.org/10.1016/j.compbiomed.2018.05.011.
14.Zakharov А, Pisov M, Bukharaev A et al. Interpretable Vertebral Fracture Quantification via Anchor-Free Landmarks Localization. Available at https://arxiv.org/pdf/2204.06818.pdf Accessed August 20, 2022
15.Лесняк О.М., Норой Л. Аудит cостояния проблемы остеопороза в странах состочной Европы И центральной Азии 2010. 2011. Available at https://www.osteoporosis.foundation/sites/iofbonehealth/files/201906/2010_Eastern_European_Central_Asian_Audit_Russian.pdf Accessed August 20, 2022
16.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. J Bone Miner Res. 2021; 36 (3): 427-435. https://doi.org/10.1002/jbmr.4187
17.Петряйкин А.В., Смолярчук М.Я., Петряйкин Ф.А., и др. Оценка точности денситометрических исследований. Применение фантома РСК ФК2. Травматология и ортопедия России. 2019; 25 (3): 124-134. https://doi.org/10.21823/2311-2905-2019-25-3-124-134
18.Морозов С. П., Владзимирский А.В., Ледихова Н.В. и т.д. Московский эксперимент по применению компьютерного зрения в лучевой диагностике: вовлеченность врачей-рентгенологов. Врач и информационные технологии. 2020; 4, 14–23. https://doi.org/10.37690/1811-0193-2020-4-14-23
19.Andreychenko A.E., Logunova T.A., Gombolevskiy V.A. et al. A methodology for selection and quality control of the radiological computer vision deployment at the megalopolis scale. medRxiv. 2022: 2022.02.12.22270663. https://doi.org/10.1101/2022.02.12.22270663
20.Genant H.K., Wu C. Y., Kuijket C.V. al. Vertebral fracture assessment using a semiquantitative technique. J. Bone Miner. 1993; 8 (9): 1137–1148. https://doi.org/10.1002/jbmr.5650080915.
21.The American College of Radiology. ACR–SPR–SSR Practice Parameter for the Performance of Musculoskeletal Quantitative Computed Tomography (Qct). Published 2018. https://www.acr.org/-/media/ACR/Files/Practice-Parameters/QCT.pdf Accessed August 20, 2022
22.Петряйкин А.В., Сморчкова А.К., Кудрявцев Н.Д. и др. Сравнение двух методик асинхронной КТ-денситометрии. Медицинская визуализация. 2020; 24 (4): 108-118. https://doi.org/10.24835/1607-0763-2020-4-108-118
23.Павлов Н.А., АндрейченкоА.Е., ВладзимирскийА.В. и т.д. Эталонные медицинские датасеты (MosMedData) для независимой внешней оценки алгоритмов на основе искусственного интеллекта в диагностике. Digital Diagnostics. 2021; 2 (1): 49–65. https://doi.org/10.17816/DD60635.
24.Петряйкин А.В., Белая Ж.Е., Киселeва А.Н. и др. Технология искусственного интеллекта для распознавания компрессионных переломов позвонков с помощью модели морфометрического анализа, основанной на сверточных нейронных сетях. Проблемы Эндокринологии. 2020; 66 (5): 48-60. https://doi.org/10.14341/probl12605
25.Lee, S.J., Binkley, N., Lubner, M.G. et al. Opportunistic screening for osteoporosis using the sagittal reconstruction from routine abdominal CT for combined assessment of vertebral fractures and density. Osteoporos Int. 2016; 27: 1131–1136. https://doi.org/10.1007/s00198-015-3318-4
26.Pickhardt P.J., Pooler B. D., Lauder T.et al. Opportunistic screening for osteoporosis using abdominal computed tomography scans obtained for other indications. Ann. Intern. Med. 2013; 158 (8): 588–595. https://doi.org/10.7326/0003-4819-158-8-201304160-00003
27.Kanis J.A. Assessment of fracture risk and its application to screening for postmenopausal osteoporosis: Synopsis of a WHO report. Osteoporos. Int. 1994; 6 (4): 368–381. https://doi.org/10.1007/BF01622200

Using an artificial intelligence algorithm to assess the bone mineral density of the vertebral bodies based on computed tomography data

Goal: To develop a method for automated assessment of the volumetric bone mineral density (BMD) of the vertebral bodies using an artificial intelligence (AI) algorithm and a phantom modeling method.Materials and Methods: Evaluation of the effectiveness of the AI algorithm designed to assess BMD of the vertebral bodies based on chest CT data. The test data set contains 100 patients aged over 50 y.o.; the ratio between the subjects with/without compression fractures (Сfr) is 48/52. The X-ray density (XRD) of vertebral bodies at T11-L3 was measured by experts and the AI algorithm for 83 patients (205 vertebrae). We used a recently developed QCT PK (Quantitative Computed Tomography Phantom Kalium) method to convert XRD into BMD followed by building calibration lines for seven 64-slice CT scanners. Images were taken from 1853 patients and then processed by the AI algorithm after the calibration. The male to female ratio was 718/1135.Results: The experts and the AI algorithm reached a strong agreement when comparing the measurements of the XRD. The coefficient of determination was R2=0.945 for individual vertebrae (T11-L3) and 0.943 for patients (p=0.000). Once the subjects from the test sample had been separated into groups with/without Сfr, the XRD data yielded similar ROC AUC values for both the experts – 0.880, and the AI algorithm – 0.875. When calibrating CT scanners using a phantom containing BMD samples made of potassium hydrogen phosphate, the following averaged dependence formula BMD =0.77*HU-1.343 was obtained. Taking into account the American College Radiology criteria for osteoporosis, the cut-off value of BMD<80 mg/ml was 105.6HU; for osteopenia BMD<120 mg/ml was 157.6HU. During the opportunistic assessment of BMD in patients aged above 50 years using the AI algorithm, osteoporosis was detected in 31.72% of female and 18.66% of male subjects.Conclusions: This paper demonstrates good comparability for the measurements of the vertebral bodies’ XRD performed by the AI morphometric algorithm and the experts. We presented a method and demonstrated great effectiveness of opportunistic assessment of vertebral bodies’ BMD based on computed tomography data using the AI algorithm and the phantom modeling.

Keywords:
минеральная плотность кости, искусственный интеллект, количественная компьютерная томография, остеопороз, КТ-денситометрия., bone mineral density, artificial intelligence, quantitative computed tomography, osteoporosis, CT densitometry