Применение искусственного интеллекта в диагностике деформирующего остеоартроза крупных суставов нижних конечностей: оценка диагностической точности в реальных клинических условиях

Обложка

Цитировать

Полный текст

Открытый доступ Открытый доступ
Доступ закрыт Доступ предоставлен
Доступ закрыт Только для подписчиков

Аннотация

Обоснование. Развитие математических методов, цифровизация медицинской диагностической аппаратуры и рост вычислительных возможностей компьютеров создали условия для появления новых средств автоматизированного анализа биомедицинских данных — технологий искусственного интеллекта (ТИИ). В клинической практике среди перспективных ТИИ наибольшее распространение получило компьютерное зрение. С 2023 г. в Московском Эксперименте применяются ИИ-сервисы для диагностики травм и заболеваний опорно-двигательной системы, что позволило впервые масштабно изучить качество соответствующих инструментов.

Цель. Изучить диагностическую значимость программного обеспечения на основе технологий искусственного интеллекта для диагностики деформирующего остеоартроза крупных суставов нижних конечностей.

Материалы и методы. Научная работа, выполненная в дизайне диагностического исследования по методологии STARD 2015, включала два этапа — ретроспективный и проспективный. Ретроспективный этап представлял собой расчёт показателей диагностической ценности (AUROC, чувствительность, специфичность и точность). Проспективный этап заключался в регулярном мониторинге диагностического качества работы ИИ-сервиса при анализе реального потока результатов рентгенографии (n=198 821). Проводился расчёт согласия врача-эксперта с решением ИИ-сервиса, а также интегральная клиническая оценка. Продолжительность исследования — 1 год и 8 месяцев.

Результаты. Были изучены 5 российских программных решений на основе ТИИ для выявления признаков деформирующего остеоартроза. Из них только два ИИ-сервиса успешно прошли этап ретроспективной оценки диагностической точности и были допущены к проспективному этапу. При работе в клинических условиях оба ИИ-сервиса продемонстрировали достаточную техническую надёжность. Для одного из ИИ-сервисов был установлен средне-высокий уровень диагностической ценности (медиана клинической оценки составила более 88,0%), для второго — высокий уровень диагностической ценности (медиана клинической оценки составила более 93,0%).

Заключение. Достигнутый уровень развития программного обеспечения на основе ТИИ позволяет применять соответствующие разработки для повышения точности и производительности труда врачей-рентгенологов при описании результатов рентгенографии крупных суставов нижних конечностей (в контексте диагностики деформирующего остеоартроза).

Об авторах

Антон Вячеславович Владзимирский

Научно-практический клинический центр диагностики и телемедицинских технологий

Email: npcmr@zdrav.mos.ru
ORCID iD: 0000-0002-2990-7736
SPIN-код: 3602-7120

д-р мед. наук

Россия, Москва

Юрий Александрович Васильев

Научно-практический клинический центр диагностики и телемедицинских технологий

Email: npcmr@zdrav.mos.ru
ORCID iD: 0000-0002-5283-5961
SPIN-код: 4458-5608

канд. мед. наук

Россия, Москва

Кирилл Михайлович Арзамасов

Научно-практический клинический центр диагностики и телемедицинских технологий

Email: ArzamasovKM@zdrav.mos.ru
ORCID iD: 0000-0001-7786-0349
SPIN-код: 3160-8062

канд. мед. наук

Россия, Москва

Вероника Евгеньевна Казаринова

Научно-практический клинический центр диагностики и телемедицинских технологий

Автор, ответственный за переписку.
Email: KazarinovaVE@zdrav.mos.ru
ORCID iD: 0009-0001-3568-8138
SPIN-код: 5901-5577
Россия, Москва

Елена Васильевна Астапенко

Научно-практический клинический центр диагностики и телемедицинских технологий

Email: AstapenkoEV1@zdrav.mos.ru
ORCID iD: 0009-0006-6284-2088
SPIN-код: 7362-8553
Россия, Москва

Список литературы

  1. Khan SD, Hoodbhoy Z, Raja MHR, et al. Frameworks for procurement, integration, monitoring, and evaluation of artificial intelligence tools in clinical settings: A systematic review. PLOS Digit Health. 2024;3(5):e0000514. doi: 10.1371/journal.pdig.0000514
  2. Nowroozi A, Salehi MA, Shobeiri P, et al. Artificial intelligence diagnostic accuracy in fracture detection from plain radiographs and comparing it with clinicians: a systematic review and meta-analysis. Clin Radiol. 2024:S0009-9260(24)00200-9. doi: 10.1016/j.crad.2024.04.009
  3. Vasilev YA, Vladzimirskyy AV, editors. Computer vision in radiation diagnostics: the first stage of the Moscow experiment: a monograph. Moscow: Publishing Solutions; 2022. 388 p. (In Russ.).
  4. Bossuyt PM, Reitsma JB, Bruns DE, et al. STARD Group. STARD 2015: an updated list of essential items for reporting diagnostic accuracy studies. BMJ. 2015;351:h5527. doi: 10.1136/bmj.h5527
  5. Basic recommendations for the work of artificial intelligence services for radial diagnostics: Methodological Recommendations No. 54. Moscow: Scientific and Practical Clinical Centre for Diagnostics and Telemedicine Technologies of the Moscow City Health Department; 2022. 68 p. (In Russ.).
  6. Nahm FS. Receiver operating characteristic curve: overview and practical use for clinicians. Korean J Anesthesiol. 2022;75(1):25–36. doi: 10.4097/kja.21209
  7. Clinical trials of artificial intelligence systems (radiation diagnostics). Moscow: State budgetary institution of health care of Moscow “Scientific and Practical Clinical Centre for Diagnostics and Telemedicine Technologies of the Department of Health Care of Moscow”; 2023. 40 p. (In Russ.).
  8. Preparation of data set for training and testing of software based on artificial intelligence technology. (Tutorial) Ridero: Scientific and Practical Clinical Centre for Diagnostics and Telemedicine Technologies of the Moscow City Health Department; 2024. 140 p. (In Russ.).
  9. Vasilev YuA, Vladzimirskyy AV, Omelyanskaya OV, et al. Methodology of testing and monitoring of software based on artificial intelligence technologies for medical diagnostics. Digital Diagnostics. 2023;4(3):252–267. (In Russ.). doi: 10.17816/DD321971
  10. Chetverikov SF, Arzamasov KM, Andreichenko AE, et al. Approaches to sample formation for quality control of artificial intelligence systems in biomedical research. Modern Technologies in Medicine. 2023;15(2):19–25. (In Russ.). doi: 10.17691/stm2023.15.2.02
  11. Yang J, Ji Q, Ni M, et al. Automatic assessment of knee osteoarthritis severity in portable devices based on deep learning. J Orthop Surg Res. 2022;17(1):540. doi: 10.1186/s13018-022-03429-2
  12. Wang CT, Huang B, Thogiti N, et al. Successful real-world application of an osteoarthritis classification deep-learning model using 9210 knees-An orthopedic surgeon’s view. J Orthop Res. 2023;41(4):737–746. doi: 10.1002/jor.25415
  13. von Schacky CE, Sohn JH, Liu F, et al. Development and Validation of a Multitask Deep Learning Model for Severity Grading of Hip Osteoarthritis Features on Radiographs. Radiology. 2020;295(1):136–145. doi: 10.1148/radiol.2020190925
  14. Magnéli M, Borjali A, Takahashi E, et al. Application of deep learning for automated diagnosis and classification of hip dysplasia on plain radiographs. BMC Musculoskelet Disord. 2024;25(1):117. doi: 10.1186/s12891-024-07244-0
  15. Pi SW, Lee BD, Lee MS, et al. Ensemble deep-learning networks for automated osteoarthritis grading in knee X-ray images. Sci Rep. 2023;13(1):22887. doi: 10.1038/s41598-023-50210-4
  16. Lenskjold A, Brejnebøl MW, Nybing JU, et al. Constructing a clinical radiographic knee osteoarthritis database using artificial intelligence tools with limited human labor: A proof of principle. Osteoarthritis Cartilage. 2024;32(3):310–318. doi: 10.1016/j.joca.2023.11.014
  17. Naguib SM, Kassem MA, Hamza HM, et al. Automated system for classifying uni-bicompartmental knee osteoarthritis by using redefined residual learning with convolutional neural network. Heliyon. 2024;10(10):e31017. doi: 10.1016/j.heliyon.2024.e31017
  18. Smolle MA, Goetz C, Maurer D, et al. Artificial intelligence-based computer-aided system for knee osteoarthritis assessment increases experienced orthopaedic surgeons’ agreement rate and accuracy. Knee Surg Sports Traumatol Arthrosc. 2023;31(3):1053–1062. doi: 10.1007/s00167-022-07220-y
  19. Yoon JS, Yon CJ, Lee D, et al. Assessment of a novel deep learning-based software developed for automatic feature extraction and grading of radiographic knee osteoarthritis. BMC Musculoskelet Disord. 2023;24(1):869. doi: 10.1186/s12891-023-06951-4
  20. Salis Z, Driban JB, McAlindon TE. Predicting the onset of end-stage knee osteoarthritis over two- and five-years using machine learning. Semin Arthritis Rheum. 2024;66:152433. doi: 10.1016/j.semarthrit.2024.152433

Дополнительные файлы

Доп. файлы
Действие
1. JATS XML
Скачать
2. Рис. 1. Схема проведения исследования.

Скачать (234KB)
Метаданные
3. Рис. 2. Пример обработки результатов рентгенографии коленного сустава ИИ-сервисом: a — артроз коленного сустава I стадии, b — артроз коленного сустава II стадии.

Скачать (228KB)
Метаданные

© Эко-Вектор, 2025

Creative Commons License
Эта статья доступна по лицензии Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International License.

Согласие на обработку персональных данных с помощью сервиса «Яндекс.Метрика»

1. Я (далее – «Пользователь» или «Субъект персональных данных»), осуществляя использование сайта https://journals.rcsi.science/ (далее – «Сайт»), подтверждая свою полную дееспособность даю согласие на обработку персональных данных с использованием средств автоматизации Оператору - федеральному государственному бюджетному учреждению «Российский центр научной информации» (РЦНИ), далее – «Оператор», расположенному по адресу: 119991, г. Москва, Ленинский просп., д.32А, со следующими условиями.

2. Категории обрабатываемых данных: файлы «cookies» (куки-файлы). Файлы «cookie» – это небольшой текстовый файл, который веб-сервер может хранить в браузере Пользователя. Данные файлы веб-сервер загружает на устройство Пользователя при посещении им Сайта. При каждом следующем посещении Пользователем Сайта «cookie» файлы отправляются на Сайт Оператора. Данные файлы позволяют Сайту распознавать устройство Пользователя. Содержимое такого файла может как относиться, так и не относиться к персональным данным, в зависимости от того, содержит ли такой файл персональные данные или содержит обезличенные технические данные.

3. Цель обработки персональных данных: анализ пользовательской активности с помощью сервиса «Яндекс.Метрика».

4. Категории субъектов персональных данных: все Пользователи Сайта, которые дали согласие на обработку файлов «cookie».

5. Способы обработки: сбор, запись, систематизация, накопление, хранение, уточнение (обновление, изменение), извлечение, использование, передача (доступ, предоставление), блокирование, удаление, уничтожение персональных данных.

6. Срок обработки и хранения: до получения от Субъекта персональных данных требования о прекращении обработки/отзыва согласия.

7. Способ отзыва: заявление об отзыве в письменном виде путём его направления на адрес электронной почты Оператора: info@rcsi.science или путем письменного обращения по юридическому адресу: 119991, г. Москва, Ленинский просп., д.32А

8. Субъект персональных данных вправе запретить своему оборудованию прием этих данных или ограничить прием этих данных. При отказе от получения таких данных или при ограничении приема данных некоторые функции Сайта могут работать некорректно. Субъект персональных данных обязуется сам настроить свое оборудование таким способом, чтобы оно обеспечивало адекватный его желаниям режим работы и уровень защиты данных файлов «cookie», Оператор не предоставляет технологических и правовых консультаций на темы подобного характера.

9. Порядок уничтожения персональных данных при достижении цели их обработки или при наступлении иных законных оснований определяется Оператором в соответствии с законодательством Российской Федерации.

10. Я согласен/согласна квалифицировать в качестве своей простой электронной подписи под настоящим Согласием и под Политикой обработки персональных данных выполнение мною следующего действия на сайте: https://journals.rcsi.science/ нажатие мною на интерфейсе с текстом: «Сайт использует сервис «Яндекс.Метрика» (который использует файлы «cookie») на элемент с текстом «Принять и продолжить».