Согласно исследованию, опубликованному  в журнале JBMR Plus, группа из Австралии разработала модель искусственного интеллекта, которая демонстрирует многообещающую способность прогнозировать риск переломов у пациентов на основе исследований двухэнергетической рентгеновской абсорбциометрии (DEXA) .

Цель состоит в том, чтобы разработать ИИ, который мог бы служить инструментом проверки, пишут ведущий автор Дамит Сенанаяке, доктор философии из Мельбурнского университета, и его коллеги.

«Точное предсказание событий переломов может привести к запуску оперативных профилактических стратегий, которые доказали свою эффективность в сокращении количества событий и их разрушительных последствий», — пишут исследователи.

Сканирование DEXA — один из наиболее часто используемых методов визуализации для расчета минеральной плотности костной ткани (МПК) и текущий золотой стандарт диагностики остеопороза. Однако расчет риска перелома с использованием функций изображения DEXA выполняется редко из-за необходимости сложного анализа данных. Исследователи отметили, что врачи часто основывают риск на том, сталкивались ли люди с падениями.

Таким образом, целью этого исследования было использование технологии искусственного интеллекта вместе с изображениями DEXA и клинической информацией пациентов для оценки риска переломов в группе падающих и здоровых людей соответствующего возраста.

Примечательно, что исследователи применили относительно новый подход. Они объединили модель преобразователя зрения (ViT) со стандартной сверточной нейронной сетью (VGG-16 и Resnet-50). Эти технологии возникли отдельно как способы идентификации, классификации и сегментации объектов на изображениях. Имеющиеся данные свидетельствуют о том, что они более эффективны при совместном использовании, чем любой из подходов, используемый по отдельности, пишет группа.

Для получения данных исследователи собрали DEXA-изображения всего тела, а также отдельные изображения бедра, предплечья и позвоночника (всего 1488) от 478 падающих и 48 контрольных людей, не падавших. Входные данные модели включали признаки остеопороза на снимках, измерения МПК бедра и поясничного отдела позвоночника, а также клинические переменные, такие как уровень витамина D и кальция.

Визуализация результатов EigenGradCAM (A) и GradCAM (B), иллюстрирующая связь между классификацией групп переломов и особенностями изображения DXA для субъектов с умеренным риском переломов. Приведены три изображения с наивысшей достоверностью с метками, предсказанными для правильной классификации,
достоверность которых варьировалась от 85% до 92%. Изображение предоставлено JBMR Plus .

Исследователи разделили весь набор данных на две случайные группы данных: набор, содержащий 90% изображений для обучения модели, и тестовый набор с оставшимися 10% изображений. Оценка основывалась на точности модели для классификации низкого, умеренного или высокого риска переломов на изображениях.

Согласно основным результатам, модель правильно классифицировала риск со средней площадью под кривой характеристики работы приемника 74,3%.

В конечном итоге исследование показывает, что искусственные нейронные сети вместе с изображениями DEXA и клиническими данными пациентов при падении могут использоваться для классификации риска переломов с высоким уровнем точности, пишут исследователи.

Они отметили, что необходимы дополнительные исследования.

«В будущих исследованиях более крупные наборы данных изображений с высоким разрешением могут еще больше улучшить оценку риска переломов и предоставить возможности для карт активации классов на основе градиента для определения областей интереса на основе изображений на сканах DEXA, которые указывают на риск переломов», — заключила группа.

Источник