Автоматизированная оценка и диагностика сакроилиита на КТ‑изображениях с использованием 3D‑сверточной нейронной сети: многоцентровое ретроспективное исследование

Почему это важно для боли в спине и здоровья суставов

Боль в пояснице, появляющаяся в ранней взрослой жизни и постепенно усугубляющаяся, иногда может указывать на анкилозирующий спондилит — хроническую форму суставного воспаления позвоночника. Врачи опираются на подробную визуализацию крестцово‑подвздошных суставов — места соединения позвоночника с тазом — чтобы вовремя заметить повреждения и подобрать лечение. Но эти изображения сложно интерпретировать, и разные специалисты могут прийти к разным выводам. В этом исследовании проверяли, сможет ли современный подход искусственного интеллекта последовательно «читать» КТ‑сканы этих суставов, помогая раньше выявлять серьёзные поражения и поддерживать врачей в загруженных клиниках.

Скрытые суставы у основания позвоночника

Крестцово‑подвздошные суставы располагаются глубоко в тазу и передают вес верхней части тела на ноги. При анкилозирующем спондилите длительное воспаление постепенно разрушает эти суставы и в конечном счёте может привести к их сращению в единое костное образование, что вызывает боль, скованность и ограничение подвижности. Врачи оценивают степень повреждения по пятибалльной шкале — от нормального состояния до полного сращения. Достижение определённых градаций подтверждает диагноз и влияет на выбор терапии. Однако на стандартных рентгеновских снимках ранние изменения тонки, и даже опытные рентгенологи часто расходятся в оценках. КТ даёт гораздо более подробную картину кости, но последовательная оценка тысяч сканов отнимает много времени, а во многих больницах нет узкоспециализированных экспертов.

Обучение компьютера «видеть» то, что видят радиологи

Исследователи создали автоматизированную систему, имитирующую подход внимательного специалиста к КТ‑скану, но работающую в трёх измерениях и на высокой скорости. Сначала модель сегментации выделяет тазовые кости из остального изображения, сужая анализ до релевантной области. Затем вторая модель, основанная на типе глубокой сети 3D DenseNet, исследует структуру кости покадрово и присваивает степень поражения. Команда обучала систему на КТ‑сканах 2 144 человек, включая здоровых людей и пациентов с подозрением на анкилозирующий спондилит. Три рентгенолога оценивали каждый скан по международным критериям, а разногласия разрешал старший эксперт, что создало строгий «обучающий набор» для ИИ.

Насколько хорошо ИИ распознавал повреждения суставов

При попытке различать все пять традиционных степеней повреждения суставов ИИ показал высокую эффективность в целом и особенно хорошо справлялся с самыми тяжёлыми стадиями болезни. Его способность отличать нормальные суставы и полностью сросшиеся суставы от остальных была особенно высокой и сопоставима с результатами хорошо обученных человеческих читателей. Система была менее уверена при различении самых ранних видимых повреждений и очень лёгких изменений — как раз там, где врачи чаще всего расходятся во мнениях, поскольку признаки частично перекрываются. Чтобы лучше соответствовать повседневному клиническому принятию решений, команда также объединила пять градаций в три более широкие категории: нормальное или подозрительное, достоверное структурное повреждение и выраженное сращение. В этой упрощённой схеме ИИ стал ещё надёжнее и стабильнее.

Доказать работоспособность за пределами одной больницы

Ключевой вопрос для любого инструмента ИИ — работает ли он только в месте своего создания или также в других центрах с разными томографами и популяциями пациентов. Для проверки исследователи оценили свою модель с тремя категориями на КТ‑сканах из двух дополнительных центров, не использованных при обучении. Система сохранила высокую точность и уверенность, корректно отделяя людей без структурных изменений от тех, у кого явно выражена болезнь, и выявляя большинство случаев выраженного сращения. Методы визуализации показали, что модель сосредотачивала внимание на тех областях, куда смотрел бы человек — на самих крестцово‑подвздошных суставах — а не на посторонней анатомии, что повышает доверие клиницистов к её выводам.

Работать вместе с рентгенологами, а не заменять их

Команда также изучала, что происходит, когда рентгенологи используют подсказки ИИ при оценке сканов. Два опытных читателя сначала оценивали изображения самостоятельно, а затем пересматривали те же случаи с учётом вывода модели. С этой цифровой второй точкой зрения точность обоих рентгенологов улучшилась примерно на 7–8 процентных пунктов, а их взаимное согласие заметно увеличилось. ИИ не устранил всю неопределённость, особенно в пограничных ранних случаях, но снизил разногласия и обеспечил последовательную поддержку, особенно в распознавании более выраженных повреждений.

Что это означает для пациентов и будущего ухода

Практически это исследование показывает, что грамотно разработанная 3D‑система глубокого обучения может автоматически оценивать повреждения крестцово‑подвздошных суставов на КТ со степенью последовательности, сопоставимой с экспертными читателями. Используемая в роли помощника, а не замены, она могла бы помочь раньше выявлять серьёзные структурные изменения, стандартизировать диагнозы между больницами и освободить рентгенологов для работы со самыми сложными случаями. Авторы отмечают, что КТ показывает повреждения лишь после того, как они стали необратимыми, поэтому МРТ и клиническая оценка остаются важны для обнаружения самых ранних стадий болезни. Тем не менее как часть более широкой диагностической корзины этот подход на основе ИИ представляет собой перспективный шаг к более объективной и воспроизводимой помощи людям, находящимся в группе риска анкилозирующего спондилита.

Цитирование: Du, Yk., Liu, R., Guo, H. et al. Automated grading and diagnosis of sacroiliitis on CT images using a 3D convolutional neural network: a multicenter retrospective study. Sci Rep 16, 14099 (2026). https://doi.org/10.1038/s41598-026-44911-9

Ключевые слова: анкилозирующий спондилит, сакроилеит, КТ‑диагностика, глубокое обучение, ИИ в радиологии