АВТОМАТИЗИРОВАННОЕ ОБНАРУЖЕНИЕ И ОЦЕНКА СТЕПЕНИ ГРЫЖИ МЕЖПОЗВОНОЧНОГО ДИСКА ПОЯСНИЧНОГО ОТДЕЛА ПОЗВОНОЧНИКА С ИСПОЛЬЗОВАНИЕМ ГЛУБОКОГО ОБУЧЕНИЯ НА ОСНОВЕ ДАННЫХ МРТ

Аннотация

Введение.Оценка степени тяжести грыжи межпозвоночного диска поясничного отдела позвоночника (ГМПД) по данным МРТ имеет решающее значение для отбора подходящих кандидатов на хирургическое лечение. Однако интерпретация МРТ-изображений занимает много времени и требует многократной работы. Цель данного исследования — разработать и оценить диагностическую модель на основе глубокого обучения для автоматического обнаружения и классификации ГМПД на аксиальных Т2-взвешенных МРТ-изображениях поясничного отдела позвоночника.

Материалы и методы: В данном ретроспективном исследовании были проанализированы данные 1115 пациентов; использовались как набор данных для разработки (1015 пациентов, 15 249 изображений), так и внешний тестовый набор данных (100 пациентов, 1273 изображения). В соответствии с критериями классификации Мичиганского государственного университета (MSU), эксперты совместно разметили все изображения, и окончательные результаты разметки были приняты за эталонный стандарт. Автоматизированная диагностическая модель включала Faster R-CNN и ResNeXt101 в качестве сетей обнаружения и классификации соответственно. Эффективность диагностики на основе глубокого обучения оценивалась путем расчета среднего значения пересечения над объединением (IoU), точности, прецизионности, чувствительности, специфичности, F1-меры, площади под кривой рабочих характеристик приемника (AUC) и коэффициента внутриклассовой корреляции (ICC) с 95% доверительными интервалами (CI).

Результаты: Высокая согласованность обнаружения была получена во внутреннем тестовом наборе данных (среднее значение IoU = 0,82, точность = 98,4%, чувствительность = 99,4%) и внешнем тестовом наборе данных (среднее значение IoU = 0,70, точность = 96,3%, чувствительность = 97,8%). Общая точность классификации ЛДГ составила 87,70% (95% ДИ: 86,59%–88,86%) и 74,23% (95% ДИ: 71,83%–76,75%) во внутреннем и внешнем тестовых наборах данных соответственно. В ходе внутреннего тестирования предложенная модель показала высокую степень согласованности классификации (ICC = 0,87, 95% CI: 0,86–0,88, P < 0,001), что выше, чем при внешнем тестировании (ICC = 0,79, 95% CI: 0,76–0,81, P < 0,001). Показатель AUC для классификации модели составил 0,965 (95% CI: 0,962–0,968) и 0,916 (95% CI: 0,908–0,925) на внутреннем и внешнем тестовых наборах данных соответственно.

Выводы: Автоматизированная диагностическая модель показала высокую эффективность в выявлении и классификации ЛДГ и продемонстрировала значительную согласованность с классификацией экспертов.