Автоматизированная диагностика шейного спондилеза на мультимодальных медицинских изображениях с использованием многозадачной глубокой нейронной сети

Скрытая проблема шеи с большим повседневным влиянием

Шейный спондилез — изнашивание тканей шеи, связанное с возрастом или образом жизни — встречается почти повсеместно, но его трудно заметить на ранних стадиях. Он может вызывать постоянные боли в шее, головные боли, онемение и даже нарушения ходьбы, однако изменения на медицинских изображениях часто тонкие и требуют многолетнего опыта для интерпретации. В этом исследовании показано, как система искусственного интеллекта (ИИ) может обучиться у экспертов чтению рентгеновских снимков и МРТ шеи, помогая довести уровень диагноза до уровня специалистов в загруженных больницах и недостаточно обеспеченных клиниках.

Почему износ шеи так трудно заметить

В отличие от перелома кости или крупной опухоли, шейный спондилез обычно не оставляет на снимке одного очевидного признака. Вместо этого он проявляется множеством небольших взаимодействующих изменений: естественный изгиб шеи может выпрямляться или инвертироваться, позвонки могут незначительно смещаться, межпозвонковые диски выпячиваться или разрываться, а канал, в котором проходит спинной мозг, постепенно сужаться. Врачи в настоящее время измеряют несколько геометрических характеристик на рентгенах — например, общий изгиб шеи и выравнивание ключевых позвонков — а также оценивают изменения на МРТ, показывающие проблемы мягких тканей, такие как грыжи дисков или защемление корешков. Точное выполнение этих измерений для каждого пациента занимает много времени и сильно зависит от квалификации опытных рентгенологов и хирургов позвоночника, которых часто не хватает вне крупных медицинских центров.

Обучение компьютера читать шею как специалист

Исследователи построили систему глубокого обучения, имитирующую подход экспертов к анализу шейных изображений, но делающую это автоматически и последовательно. Сначала она обнаруживает контуры и углы позвонков на боковых рентгеновских снимках, рассматривая каждый позвонок как точно определённый четырёхугольник. По этим точкам модель вычисляет стандартные показатели, используемые при планировании операций, такие как угол Кобба (описывающий степень изгиба или выпрямления шеи) и сагиттальная вертикальная ось, ключевой маркер того, насколько голова сбалансирована над позвоночником. Она также оценивает величину смещения соседних позвонков относительно друг друга, сигнализируя о нестабильности, и измеряет размеры позвоночного канала и тела позвонка для расчёта соотношения, указывающего на возможное врождённое сужение.

Объединение разных типов снимков в единое связное представление

Поскольку ни один тип снимка не отражает всей картины, команда разработала систему, работающую координированно с рентгеном и МРТ. Рентген даёт точную информацию о форме и расположении костей, тогда как МРТ показывает состояние мягких тканей, особенно межпозвонковых дисков и отверстий, через которые выходят нервы. Используя архитектуру многозадачного обучения, ИИ обучают выполнять все эти измерения и классификации одновременно, позволяя задачам делиться накопленным знанием. Для МРТ специализированная сеть анализирует диски между каждой парой позвонков и определяет, относительно ли они здоровы или демонстрируют более серьёзное выпячивание или экструзию, а также имеются ли сужения позвоночного канала и нервных отверстий. Вместо объединения всего в единый двоичный ярлык система выдаёт подробный профиль того, какие проблемы присутствуют и где именно.

Насколько хорошо ИИ сопоставим с врачами

В исследовании проанализировали рентгены и МРТ более тысячи пациентов, пролеченных в крупной больнице, с тщательной разметкой, выполненной опытными рентгенологами и специалистами по позвоночнику. По простым геометрическим измерениям, таким как расстояния, погрешности ИИ часто были менее миллиметра, а по углам — всего на несколько градусов в среднем, что во многих случаях близко к клинически взаимозаменяемым с ручными измерениями. По задачам выявления проблем с дисками, сужения канала и стеноза выходов нервов на МРТ модель достигала точности, сопоставимой, а иногда и превосходящей показатели младших и старших рентгенологов, и была схожа с результатом опытных клиницистов, при этом выдавая результаты за секунды, а не за минуты. При испытании системы в другой больнице показатели немного снизились, но остались высокими, что свидетельствует о способности обобщать за пределы исходного места обучения.

Что это может значить для пациентов и клиник

Для человека, живущего с болью в шее, обещание этой работы заключается в более быстром и последовательном диагнозе и лучше подобранных решениях по лечению. ИИ не заменяет врачей; он выступает как неутомимый помощник, который может предварительно измерять ключевые параметры, отмечать вероятные проблемные участки и формировать единый отчёт о состоянии шеи по каждому снимку. Поскольку система отражает измерения, которым уже доверяют эксперты, а не придумывает новые, она может легко встраиваться в существующие клинические протоколы и помогать переносить знания специалистов в больницы, лишённые собственных экспертов по позвоночнику. При широком внедрении и дополнительной валидации такие системы могут привести к более раннему выявлению опасных изменений в шее, меньшему количеству пропущенных случаев и более адекватному хирургическому или консервативному лечению миллионов людей по всему миру.

Цитирование: Song, X., Li, Y., Ouyang, H. et al. Automated diagnostic of cervical spondylosis on multimodal medical images with a multi-task deep learning model. Nat Commun 17, 2392 (2026). https://doi.org/10.1038/s41467-026-69023-w

Ключевые слова: шейный спондилез, изображения позвоночника, глубокое обучение, медицинский ИИ, боль в шее