СРАВНИТЕЛЬНЫЙ АНАЛИЗ ИЗМЕРЕНИЙ ВРАЧА-РЕНТГЕНОЛОГА И ИСКУССТВЕННОГО ИНТЕЛЛЕКТА ПРИ ЦИФРОВОЙ РЕНТГЕНОМЕТРИИ КОКСАРТРОЗА: ШИРИНА СУСТАВНОЙ ЩЕЛИ И ПЛОТНОСТЬ КОСТИ
Keywords:
коксартроз, цифровая рентгенометрия, искусственный интеллект, ширина суставной щели, рентгеновская плотность кости, согласованность измерений, анализ Бланда–АльтманаAbstract
В статье проводится сравнительный анализ рентгенометрических измерений, выполненных врачом-рентгенологом и системой искусственного интеллекта (ИИ) на цифровых рентгенограммах тазобедренных суставов у пациентов с коксартрозом. Оценивались два количественных показателя — минимальная ширина суставной щели и рентгеновская плотность субхондральной костной ткани. Согласованность измерений определялась с помощью коэффициента внутриклассовой корреляции и анализа Бланда–Альтмана. Показано, что ИИ обеспечивает высокую согласованность с врачом при измерении ширины суставной щели и хорошую — при оценке плотности кости, а также более высокую воспроизводимость и сокращение времени анализа. Обоснованы условия применения ИИ в качестве «второго читателя» под контролем рентгенолога.References
1. Kellgren J.H., Lawrence J.S. «Radiological assessment of osteo-arthrosis» // Annals of the Rheumatic Diseases. – 1957. – Vol. 16, No. 4. – P. 494–502.
2. Altman R.D., Gold G.E. «Atlas of individual radiographic features in osteoarthritis, revised» // Osteoarthritis and Cartilage. – 2007. – Vol. 15, Suppl. A. – P. A1–A56.
3. Bland J.M., Altman D.G. «Statistical methods for assessing agreement between two methods of clinical measurement» // The Lancet. – 1986. – Vol. 1, No. 8476. – P. 307–310.
4. Koo T.K., Li M.Y. «A guideline of selecting and reporting intraclass correlation coefficients for reliability research» // Journal of Chiropractic Medicine. – 2016. – Vol. 15, No. 2. – P. 155–163.
5. Ronneberger O., Fischer P., Brox T. «U-Net: Convolutional networks for biomedical image segmentation» // MICCAI 2015. Lecture Notes in Computer Science. – 2015. – Vol. 9351. – P. 234–241.
6. Tiulpin A., Thevenot J., Rahtu E., Lehenkari P., Saarakkala S. «Automatic knee osteoarthritis diagnosis from plain radiographs: a deep learning-based approach» // Scientific Reports. – 2018. – Vol. 8. – Article 1727.
7. von Schacky C.E., Sohn J.H., Liu F. et al. «Development and validation of a multitask deep learning model for severity grading of hip osteoarthritis features on radiographs» // Radiology. – 2020. – Vol. 295, No. 1. – P. 136–145.
8. Беневоленская Л.И., Бржезовский М.М. Эпидемиология ревматических болезней. – М.: Медицина, 1988.
9. Алексеева Л.И., Таскина Е.А., Кашеварова Н.Г. «Остеоартрит: эпидемиология, классификация, факторы риска и прогрессирования, клиника, диагностика, лечение» // Современная ревматология. – 2019. – Т. 13, № 2. – С. 9–21.
10. Косинская Н.С. Дегенеративно-дистрофические поражения костно-суставного аппарата. – Л.: Медгиз, 1961. – 196 с.
11. Линденбратен Л.Д., Королюк И.П. Медицинская радиология (основы лучевой диагностики и лучевой терапии). – 2-е изд., перераб. и доп. – М.: Медицина, 2000. – 672 с.
12. Компьютерное зрение в лучевой диагностике: первый этап Московского эксперимента / под ред. Ю.А.Васильева, А.В.Владзимирского. – М.: Издательские решения, 2022.
13. Морозов С.П., Владзимирский А.В., Кляшторный В.Г. и др. Клинические испытания программного обеспечения на основе интеллектуальных технологий (лучевая диагностика): методические рекомендации. – М.: ГБУЗ «НПКЦ ДиТ ДЗМ», 2019.