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

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.

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