Визуализация в медицине

Оценка эффективности алгоритмов глубокого обучения для выявления признаков spina bifida occulta на рентгенограммах позвоночника

ОРИГИНАЛЬНЫЕ СТАТЬИ

  • Вероника Евгеньевна Казаринова Научно практический клинический центр диагностики и телемедицинских технологий Департамента здравоохранения города Москвы https://orcid.org/0009-0001-3568-8138
  • Андрей Сергеевич Гацук Научно практический клинический центр диагностики и телемедицинских технологий Департамента здравоохранения города Москвы https://orcid.org/0009-0000-0549-4204
  • Кирилл Михайлович Арзамасов Научно практический клинический центр диагностики и телемедицинских технологий Департамента здравоохранения города Москвы; МИРЭА — Российский технологический университет; Самарский государственный медицинский университет https://orcid.org/0000-0001-7786-0349
  • Юрий Александрович Васильев Научно практический клинический центр диагностики и телемедицинских технологий Департамента здравоохранения города Москвы https://orcid.org/0000-0002-5283-5961
Ключевые слова:
spina bifida occulta spine radiography artificial intelligence spina bifida occulta рентгенография позвоночника искусственный интеллект

Аннотация

Введение. Spina bifida occulta — скрытый порок развития позвоночника, часто остающийся недиагностированным до появления неврологических симптомов. Разработка системы автоматизированного выявления данной патологии на рентгенограммах с использованием нейросетей требует обоснованного выбора архитектуры, обеспечивающей оптимальную диагностическую точность. Цель исследования — оценить эффективность алгоритмов глубокого обучения (Res Net50, Efficient Net-B7, RT-DETR-L, YOLO версий 8–12) для выявления признаков spina bifida occulta на рентгенограммах шейного, грудного и пояснично крестцового отделов позвоночника. Материалы и методы. Сформирован ретроспективный размеченный набор данных из 1732 рентгенограмм позвоночника (360 — шейный, 141 — грудной, 1231 — пояснично крестцовый отдел), собранных за период 2022–2024 гг. Баланс классов «патология» : «норма» составил 50:50. Проведена автоматическая обрезка области позвоночного столба с использованием визуально языковой модели Qwen3-VL. Обучающая подвыборка увеличена в 3 раза методами аугментации. Модели обучены и протестированы с расчетом чувствительности, специфичности, точности и AUC (ROC-анализ). Результаты. Лучшие результаты для шейного отдела достигнуты моделью YOLOv9t (AUC=0,926 [95% доверительный интервал (ДИ) 0,816–1,000]); для грудного — YOLOv10n и YOLOv11n (AUC=0,982 [95% ДИ 0,933–1,000]); для пояснично крестцового — YOLOv8m (AUC=0,956 [95% ДИ 0,923–0,989]). Res Net50 и Efficient Net-B7 показали существенно более низкую эффективность (AUC — до 0,839). Модели YOLO обеспечивают не только классификацию изображений, но и детекцию порока на рентгенограммах в виде ограничивающих рамок. Заключение. Архитектуры семейства YOLO превосходят альтернативные модели глубокого обучения для выявления spina bifida occulta на рентгенограммах. Полученные метрики позволяют рекомендовать YOLOv9t, YOLOv10n, YOLOv11n и YOLOv8m в качестве основы для разработки программного обеспечения для автоматизированного выявления spina bifida occulta на рентгенограммах шейного, грудного и пояснично крестцового отделов позвоночника.

Биографии авторов

Вероника Евгеньевна Казаринова, Научно практический клинический центр диагностики и телемедицинских технологий Департамента здравоохранения города Москвы

младший научный сотрудник

Андрей Сергеевич Гацук, Научно практический клинический центр диагностики и телемедицинских технологий Департамента здравоохранения города Москвы

младший научный сотрудник

Кирилл Михайлович Арзамасов, Научно практический клинический центр диагностики и телемедицинских технологий Департамента здравоохранения города Москвы; МИРЭА — Российский технологический университет; Самарский государственный медицинский университет

д.м.н., руководитель научного отдела, Научно-практический клинический центр диагностики и телемедицинских технологий Департамента здравоохранения города Москвы; доцент кафедры технологий искусственного интеллекта, МИРЭА — Российский технологический университет; доцент кафедры лучевой диагностики и лучевой терапии, Самарский государственный медицинский университет

Юрий Александрович Васильев, Научно практический клинический центр диагностики и телемедицинских технологий Департамента здравоохранения города Москвы

д.м.н., доцент, главный врач

Библиографические ссылки

1. Schindelmann K.H., Paschereit F., Steege A., Stoltenburg Didinger G., Kaindl A.M. Systematic с lassification of Spina bifida. J Neuropathol Exp Neurol. 2021.80(4):294–305. https://doi.org/10.1093/jnen/nlab007. EDN: DEOKYD.

2. Sipos T.C., Denes L., Brinzaniuc K., Sipos R.S., Raduly G., Pap Z. Study of Spina bifida occulta based on age, sex and localization. Ars Medica Tomitana. 2019.25(3):95–99. https://doi.org/10.2478/arsm-2019-0020.

3. Заточная В.В. Формирование позвоночного канала в эмбриогенезе человека. Морфологические ведомости. 2018.26(1):33–37. https://doi.org/10.20340/mv_mn.18(26).01.33-37. Edn: Xytinv.

4. Härle A. Incidence of Spina bifida occulta and its importance in orthopaedic diseases. In: Spina bifida — neural tube defects: Basic research, interdisciplinary diagnostics and treatment, results and prognosis. P. Gless, J. Lorber, D. Voth, eds. Berlin, Boston: De Gruyter. 1986. P. 249–256. https://doi.org/10.1515/9783110850307-032.

5. Fidas A., Mac Donald H.L., Elton R.A., Wild S.R., Chisholm G.D., Scott R. Prevalence and patterns of spina bifida occulta in 2707 normal adults. Clin Radiol. 1987.38(5):537–542. https://doi.org/10.1016/s0009-9260(87)80150-2.

6. Eubanks J.D., Cheruvu V.K. Prevalence of sacral spina bifida occulta and its relationship to age, sex, race, and the sacral table angle: an anatomic, osteologic study of three thousand one hundred specimens. Spine. 2009.34(15):1539–1543. https://doi.org/10.1097/BRS.0b013e3181a98560.

7. Bessis D. Cutaneous signs of occult cranial and spinal dysraphism. Ann Dermatol Venereol. 2020.147(8-9):504–519. https://doi.org/10.1016/j.annder.2020.02.011. Edn: Blfvko.

8. Mirzaei S., Khoshkholghsima M., Sabaghzadeh A., Kurdkandi H.Z. Cervicothoracic (C6, C7 & T1) spina bifida occulta — A case report. Int J Surg Case Rep. 2024.117:109477. https://doi.org/10.1016/j.ijscr.2024.109477. Edn: Djapba.

9. Sakti Y.M., Lanodiyu Z.A., Sakadewa G.P., Cein C.R., Baskara A.A.N.N., Rahayu B.F.P. Spina bifida occulta at the lumbar spine level manifested as chronic low back pain and unpredictable neurologic deficit: A case report. Int J Surg Case Rep. 2024.116:109320. https://doi.org/10.1016/j.ijscr.2024.109320. Edn: Nmepsy.

10. Goto T., Sakai T., Sato N., Katoh S., Sairyo K. An adolescent athlete with low back pain associated with Spina bifida occulta at the thoracolumbar junction: A case report. J Med Invest. 2019.66(1.2):199–200. https://doi.org/10.2152/jmi.66.199.

11. Taskaynatan M.A., Izci Y., Ozgul A., Hazneci B., Dursun H., Kalyon T.A. Clinical significance of congenital lumbosacral malformations in young male population with prolonged low back pain. Spine. 2005.30(8):E210_E213. https://doi.org/10.1097/01.brs.0000158950.84470.2a.

12. Muranaka I., Kyoda Y., Nofuji S. et al. A case of neuropathic lower urinary tract dysfunction due to Spina bifida occulta discovered at the age of 19 years and successfully treated with multidisciplinary therapy. Hinyokika Kiyo. 2024.70(2):55–59. https://doi.org/10.14989/Acta Urol Jap_70_2_55.

13. Васильев Ю.А., Владзимирский А.В., Арзамасов К.М. и др. Искусственный интеллект в лучевой диагностике: Per Aspera Ad Astra. М.: Нпкц Ди Т Дзм. 2025. 493 с. Edn: Oowutv.

14. Свидетельство о государственной регистрации базы данных № 2025622039 Российская Федерация. Mos Med Data: рентгенография шейного и грудного отдела позвоночника с наличием или отсутствием Spina Bifida: заявл. 11.04.2025: опубл. 12.05.2025. Ю.А. Васильев, А.В. Владзимирский, О.В. Омелянская и др.. заявитель Гбуз «Нпкц Ди Т Дзм».

15. Свидетельство о государственной регистрации базы данных № 2024625146 Российская Федерация. Mos Med Data: рентгенография пояснично крестцового отдела позвоночника с наличием или отсутствием Spina Bifida у взрослых: № 2024624865: заявл. 31.10.2024: опубл. 13.11.2024. Ю.А. Васильев, А.В. Владзимирский, О.В. Омелянская и др.. заявитель Гбуз «Нпкц Ди Т Дзм».

16. Васильев Ю.А., Владзимирский А.В., Омелянская О.В. и др. Автоматизированная платформа для формирования наборов данных в лучевой диагностике. Менеджер здравоохранения. 2025.(7):52–67. https://doi.org/10.21045/1811-0185-2025-7-52-67. Edn: Yavsya.

17. Kirpichev Yu., Vasilev Yu., Vladzymyrskyy A. et al. Free web tool for comprehensive Roc analysis. Biological Communications. 2025.70(3):215–222. https://doi.org/10.21638/spbu03.2025.305. Edn: Rtovsr.

18. Васильев Ю.А., Владзимирский А.В., Арзамасов К.М. и др. Внедрение медицинских изделий с технологиями искусственного интеллекта в лучевую диагностику: методические рекомендации. Ч. 1. Сценарии и оценка эффективности. М.: Нпкц Ди Т Дзм. 2025. 32 с. Edn: Mkjyjc.

19. Asha R., Subashka Ramesh S.S. An optimized modified faster region convolutional neural network for Spina bifida identification from ultrasound images. Biomed Signal Process Control. 2023.86:105253. https://doi.org/10.1016/j.bspc.2023.105253. Edn: Kzvsbl.

20. Asha R., Subashka Ramesh S.S. Segmentation and classification of fetal Spina bifida using Ded with Fm2dcn. Multimed Tools Appl. 2024.83(25):66981–66999. https://doi.org/10.1007/s11042-024-18160-9. Edn: Rkukqi.

21. Omopintemi A.H., David A.O., Adeyemi O.A. Machine learning algorithm for classification of infant congenital anomaly. In: Intelligent Sustainable Systems (World S4 2024). Lecture notes in networks and systems. Vol. 1178. A. Nagar, D.S. Jat, D. Mishra, A. Joshi, eds. Springer, Singapore. 2025. P. 265–276. https://doi.org/10.1007/978-981-97-9559-8_23.

22. Chen L., Tian Y., Deng Y. Neural network algorithm‐based three‐dimensional ultrasound evaluation in the diagnosis of fetal Spina bifida. Scientific Programming. 2021.1:3605739. https://doi.org/10.1155/2021/3605739. Edn: Lviujs.

23. Duran S., Üreten K., Maraş Y. et al. Automatic detection of Spina bifida occulta with deep learning methods from plain pelvic radiographs. Res Biomed Eng. 2023.39(3):655–661. https://doi.org/10.1007/s42600-023-00296-6. Edn: Eezhwm.

Как цитировать
Оценка эффективности алгоритмов глубокого обучения для выявления признаков spina bifida occulta на рентгенограммах позвоночника: ОРИГИНАЛЬНЫЕ СТАТЬИ. (2026). Визуализация в медицине, 8(2), 6-16. https://doi.org/10.56871/
Выпуск
Том 8 № 2 (2026)
Раздел
ОРИГИНАЛЬНЫЕ СТАТЬИ
Опубликован
27.08.2026

Как цитировать

Оценка эффективности алгоритмов глубокого обучения для выявления признаков spina bifida occulta на рентгенограммах позвоночника: ОРИГИНАЛЬНЫЕ СТАТЬИ. (2026). Визуализация в медицине, 8(2), 6-16. https://doi.org/10.56871/