Медицинская литература. Новинки

 

 

 

 

 

 

Модель нейронной сети для выявления и классификации стенозов пояснично-крестцового отдела позвоночника на МР-томограммах

Вы можете загрузить полный текст статьи в формате pdf

Цель исследования: разработать модель свёрточной нейронной сети (convolutional neural network, CNN) для классификации наличия и тяжести стенозов поясничного отдела позвоночника (lumbar spinal stenosis, LSS) в ходе МРТ-исследования и продемонстрировать ее эффективность в качестве точного и последовательного диагностического инструмента.Материал и методы. Морфологические классификации стенозов поясничного отдела позвоночника и количественные измерения ключевых анатомических структур были объединены с помощью разных моделей свёрточных нейронных сетей. Для классификации стенозов модели были обучены на 1635 размеченных исследованиях МР-томограммах поясничного отдела позвоночника. Данные исследования состояли из изображений взвешенных по T2 в сагиттальной и аксиальной плоскостях на уровне каждого позвонка. Точность модели была оценена с помощью внешнего валидационного набора из 150 МРТ-исследований, оцененных группой из 7 рентгенологов по градации в виде: отсутствия стеноза, незначительной, умеренной или выраженной степени стенозов позвоночного канала. Эталонное значение для всех типов стенозов было определено большинством голосов и в случае разногласий решение выносилось опытным врачом-рентгенологом, не участвовавшим в подсчете голосов. После этого выводы врачей были сопоставлены с выводами обученной модели.Результаты. Модель продемонстрировала сопоставимую производительность со средними показателями рентгенолога как с точки зрения выявления наличия/отсутствия центральных стенозов поясничного отдела позвоночника, так и классификации степени тяжести для всех трех типов стеноза. В случае стеноза центрального канала чувствительность и специфичность свёрточной нейронной сети составили 0,93 и 0,85 для бинарной классификации (наличие/отсутствие) по сравнению со средним показателем рентгенолога (0,86; 0,86). При стенозе латерального кармана чувствительность и специфичность свёрточной нейронной сети составили 0,92 и 0,80 по сравнению со средним показателем рентгенолога 0,83 и 0,94. При фораминальном стенозе чувствительность и специфичность свёрточной нейронной сети составили 0,89 и 0,86 по сравнению со средним показателем рентгенолога 0,81 и 0,91. Многоклассовая классификации степени тяжести стенозов показала сходные статистические данные.Заключение. Свёрточная нейронная сеть продемонстрировала сопоставимые со специалистами-рентгенологами результаты в выявлении и классификации центральных стенозов поясничного отдела позвоночника. Интеграция моделей нейронных сетей при обнаружении патологии могла бы обеспечить более высокую точность, эффективность, системность и возможность последующей интерпретации в диагностической практике.

Ключевые слова:
стеноз поясничного отдела позвоночника, магнитно-резонансная томография, МРТ, искусственный интеллект, нейронная сеть, машинное обучение, lumbar spinal stenosis, magnetic resonance imaging, MRI, artificial intelligence, neural network, machine learning

Литература:
1.Kalichman L., Cole R., Kim D.H. et al. Spinal stenosis prevalence and association with symptoms: the Framingham Study. Spine J. 2009; 9 (7): 545–550. https://doi.org/10.1016/j.spinee.2009.03.005
2.Wu A.M., Zou F., Cao Y. et al. Lumbar spinal stenosis: an update on the epidemiology, diagnosis and treatment. Am. Med. J. 2017; 2 (5): 63–63. https://doi.org/10.21037/amj.2017.04.13
3.Katz J.N., Harris M.B. Lumbar Spinal Stenosis. New Engl. J. Med. 2008; 358 (8): 818–825. https://doi.org/10.1056/nejmcp0708097
4.Lurie J., Tomkins-Lane C. Management of lumbar spinal stenosis. BMJ. 2016; 352: h6234. https://doi.org/10.1136/bmj.h6234
5.Kreiner D.S., Shaffer W.O., Baisden J.L. et al. An evidence-based clinical guideline for the diagnosis and treatment of degenerative lumbar spinal stenosis (update). Spine J. 2013; 13 (7): 734–743. https://doi.org/10.1016/j.spinee.2012.11.059
6.Majidi H., Shafizad M., Niksolat F. et al. Relationship Between Magnetic Resonance Imaging Findings and Clinical Symptoms in Patients with Suspected Lumbar Spinal Canal Stenosis: a Case-control Study. Acta Informatica Medica. 2019; 27 (4): 229–233. https://doi.org/10.5455/aim.2019.27.229-233
7.Steurer J., Roner S., Gnannt R. et al. Quantitative radiologic criteria for the diagnosis of lumbar spinal stenosis: a systematic literature review. BMC Musculoskelet. Disord. 2011; 12 (1): 175. https://doi.org/10.1186/1471-2474-12-175
8.Andreisek G., Deyo R.A., Jarvik J.G. et al. Consensus conference on core radiological parameters to describe lumbar stenosis – an initiative for structured reporting. Eur. Radiol. 2014; 24 (12): 3224–3232. https://doi.org/10.1007/s00330-014-3346-z
9.Lehnen N.C., Haase R., Faber J. et al. Detection of Degenerative Changes on MR Images of the Lumbar Spine with a Convolutional Neural Network: A Feasibility Study. Diagnostics. 2021; 11 (5): 902. https://doi.org/10.3390/diagnostics11050902
10.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
11.Hallinan J.T.P.D., Zhu L., Yang K. et al. Deep Learning Model for Automated Detection and Classification of Central Canal, Lateral Recess, and Neural Foraminal Stenosis at Lumbar Spine MRI. Radiology. 2021; 300 (1): 130–138. https://doi.org/10.1148/radiol.2021204289
12.Ronneberger O., Fischer P., Brox T. U-net: Convolutional networks for biomedical image segmentation. In: Medical Image Computing and Computer-Assisted Intervention–MICCAI 2015: 18th International Conference, Munich, Germany, October 5–9, 2015, Proceedings, Part III 18 (p. 234–241). Springer International Publishing.
13.Radosavovic I., Kosaraju R.P., Girshick R. et al. Designing network design spaces. In: Proceedings of the IEEE/CVF conference on computer vision and pattern recognition. 2020: 10428–10436.
14.Pannell W.C., Savin D.D., Scott T.P. et al. Trends in the surgical treatment of lumbar spine disease in the United States. Spine J. 2015; 15 (8): 1719–1727. https://doi.org/10.1016/j.spinee.2013.10.014
15.Lu J.T., Pedemonte S., Bizzo B. et al. DeepSPINE: Automated Lumbar Vertebral Segmentation, Disc-level Designation, and Spinal Stenosis Grading Using Deep Learning. Arxiv. Published online 2018. https://doi.org/10.48550/arxiv.1807.10215
16.Won D., Lee H.J., Lee S.J., Park S.H. Spinal Stenosis Grading in Magnetic Resonance Imaging Using Deep Convolutional Neural Networks. Spine. 2020; 45 (12): 804–812. https://doi.org/10.1097/brs.0000000000003377
17.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. 2022; 13: 890371. https://doi.org/10.3389/fendo.2022.890371
18.Andrasinova T., Adamova B., Buskova J. et al. Is there a Correlation Between Degree of Radiologic Lumbar Spinal Stenosis and its Clinical Manifestation? Clin. Spine Surg. 2018; 31 (8): E403–E408. https://doi.org/10.1097/bsd.0000000000000681
19.Mourad R., Kolisnyk S., Baiun Y. et al. Performance of hybrid artificial intelligence in determining candidacy for lumbar stenosis surgery. Eur. Spine J. 2022; 31 (8): 2149–2155. https://doi.org/10.1007/s00586-022-07307-7

A neural network model for detection and classification of central lumbosacral spinal stenosis on MRI scans

Objective: to develop a convolutional neural network (CNN) model to classify the presence and severity of central lumbar spinal stenosis (LSS) during MRI examination and to demonstrate its effectiveness as an accurate and consistent diagnostic tool.Methods. Morphological classifications of LSS and quantitative measurements of key anatomical structures were combined using two CNNs. To classify central stenosis, models were trained on 1635 labeled lumbar spine MRI studies consisting of T2-weighted sagittal and axial planes at the level of each vertebra. The accuracy of the model was assessed using an external validation set of 150 MRI studies graded by a panel of 7 radiologists as: no stenosis, mild, moderate or severe spinal canal stenosis. The reference value for all types of stenosis was determined by majority vote, and in the event of disagreement, a decision was made by an external radiologist. The radiologists' interpretations were then compared with those of the trained model.Results. The model demonstrated comparable performance to the average radiologist both in identifying the presence/absence of LSS and in classifying severity for all 3 types of stenosis. For central canal stenosis, the sensitivity and specificity of the CNN were (0.93; 0.85) for binary classification (presence/absence) compared to the average radiologist (0.86; 0.86). For lateral pocket stenosis, the sensitivity and specificity of CNN were (0.92; 0.80) compared to the radiologist's mean (0.83; 0.94). For foraminal stenosis, the sensitivity and specificity of CNN were (0.89; 0.86) compared to the radiologist's mean (0.81; 0.91). Multiclass classification of stenosis severity showed similar statistics.Conclusions. CNNs showed comparable performance to radiologists in detecting and classifying LSS. The integration of neural network models in pathology detection could provide higher accuracy, efficiency, systematicity, and the possibility of subsequent interpretation in diagnostic practice.

Keywords:
стеноз поясничного отдела позвоночника, магнитно-резонансная томография, МРТ, искусственный интеллект, нейронная сеть, машинное обучение, lumbar spinal stenosis, magnetic resonance imaging, MRI, artificial intelligence, neural network, machine learning