Обучение по нескольким чтениям для классификации аксиального спондилоартрита крестцово-подвздошных сочленений

Почему это важно для людей с болью в спине

Хроническая боль в пояснице может менять жизнь, и одной из важных причин является состояние, называемое аксиальным спондилоартритом, которое часто поражает суставы, связывающие позвоночник с тазом. Врачи используют магнитно-резонансную томографию (МРТ), чтобы обнаружить ранние признаки повреждения этих крестцово-подвздошных суставов, но ручной просмотр сотен или тысяч снимков медленный и порой непоследовательный между экспертами. В этом исследовании показано, как полностью автоматическая компьютерная система может выделять эти суставы и оценивать несколько типов повреждений на МРТ с производительностью, сопоставимой со специалистами-человеками, что потенциально ускоряет оказание помощи и повышает надежность оценок.

Внимательный взгляд на трудноразличимый сустав

Крестцово-подвздошные суставы расположены глубоко в тазу, там, где основание позвоночника соединяется с костями бедра. При аксиальном спондилоартрите в этих суставах могут наблюдаться отек, жировая трансформация, эрозии и образование новой кости — все это проявляется как тонкие паттерны на МРТ. Сегодня обученные ридеры тщательно просматривают каждое изображение и оценивают эти изменения, но даже эксперты нередко расходятся во мнениях при повторных чтениях или между собой. Авторы поставили задачу решить две связанные проблемы: во-первых, научить компьютер находить и обводить контур каждого крестцово-подвздошного сустава на МРТ; во-вторых, обучить его обнаруживать пять ключевых типов поражений, важных для диагностики и наблюдения. Автоматизируя оба шага, они стремятся снизить нагрузку на радиологов и ревматологов и повысить согласованность в больших клинических исследованиях, а в перспективе — и в рутинной практике.

Обучение компьютера обводить сустав

Чтобы найти крестцово-подвздошные суставы, команда разработала метод, который не просто заполняет сустав сплошной областью, а выучивает точную линию его границы. Они обучают нейросеть предсказывать «поток» маленьких стрелок по каждому срезу МРТ: стрелки вне сустава указывают к ближайшей точке на крае сустава, а стрелки, лежащие на крае, следуют его направлению, словно по дорожке. Та же сеть также предсказывает точки начала и конца границы. Виртуальный «ходок» затем следует за стрелками от начальной до конечной точки, вычерчивая открытую кривую, обозначающую сустав. При проверке на большой локальной базе почти из 17 000 изображений этот подход, ориентированный на следование контуру, дал более гладкие и точные очертания суставов, чем более простые методы на основе ориентиров, при этом большинство погрешностей было меньше нескольких миллиметров — достаточно мало, чтобы задать узкую область интереса для последующей градации.

От чистых контуров к детализированным картам поражений

После обведения суставов система вырезает сфокусированные области вокруг левого и правого крестцово-подвздошных суставов из двух типов МРТ-последовательностей, которые подчеркивают разные особенности тканей. Каждый сустав делят на четыре квадранта по стороне таза и стороне позвоночника. Глубокая модель затем анализирует стек срезов и для каждого квадранта и для всего сустава в целом предсказывает наличие пяти типов поражений: отек костного мозга, жировая трансформация, поверхностная эрозия, уплотнение кости и анкилоз (сращение сустава). Отличительная черта этой работы — способ обработки человеческого разногласия. Вместо опоры на одну оценку модель обучают на нескольких чтениях от нескольких экспертов, изучая, как каждый ридер склонен оценивать снимки и как их мнения комбинируются в общую «консенсусную» метку. Это позволяет компьютеру моделировать коллективное суждение специалистов, а не мнение одного наблюдателя.

Доказательство надежности на нескольких клинических испытаниях

Исследователи обучали классификатор поражений на МРТ из большого клинического исследования анкилозирующего спондилита и затем тестировали его на двух независимых испытаниях, которые не использовались в обучении. Во всех этих исследованиях система показала высокую способность отличать снимки с поражениями и без них, с некоторыми колебаниями в зависимости от типа поражения. Особенно точно модель выявляла выраженные изменения, такие как сращение сустава и костное разрастание, и несколько менее точно — ранние, более тонкие сигналы отека, что также представляет трудность для человеческих ридеров. При сравнении предсказаний модели с консенсусными метками нескольких экспертов её точность и дискриминация были сопоставимы и в ряде случаев близки к уровням согласия, наблюдаемым между самими экспертами.

Что это означает для пациентов и клиницистов

В повседневных терминах исследование демонстрирует, что компьютер может научиться обводить крестцово-подвздошные суставы на МРТ и отмечать важные паттерны их повреждений с мастерством, сопоставимым со специалистами, даже когда те не всегда согласны между собой. Система не заменяет клиническое суждение, но предлагает способ стандартизировать чтение МРТ крестцово-подвздошных суставов в исследованиях и, после дополнительной валидации, в клиниках. Это может привести к более быстрым и последовательным диагнозам, лучшему отслеживанию ответа заболевания на терапию и более эффективным крупномасштабным исследованиям новых методов лечения для людей с аксиальным спондилоартритом.

Цитирование: Jamaludin, A., Windsor, R., Ather, S. et al. Learning from multiple readings for axial spondyloarthritis classification of the sacroiliac joints. Sci Rep 16, 9866 (2026). https://doi.org/10.1038/s41598-026-39417-3

Ключевые слова: аксиальный спондилоартрит, МРТ крестцово-подвздошного сустава, ИИ для медицинской визуализации, классификация поражений, хроническая боль в спине