Структурно-ориентированное многозадачное обучение с обобщением по доменам для надёжного анализа позвонков на спинальных КТ

Почему умные исследования позвоночника важны

Боль в спине, переломы и опухоли позвоночника затрагивают миллионы людей, однако интерпретация спинальных КТ — кропотливая работа для радиологов. В каждом скане может быть десятки позвонков и тонкие признаки повреждений, которые легко упустить — особенно когда изображения поступают из разных больниц и на разных аппаратах. В этом исследовании представлен новый искусственный интеллект (ИИ) под названием VertebraFormer, созданный для автоматического обведения каждого позвонка, присвоения ему правильной позиции в позвоночнике и выделения подозрительных поражений, при этом оставаясь надёжным для широкого разнообразия реальных сканов.

Одна система для многих задач позвоночника

Вместо разработки отдельных алгоритмов для каждой задачи авторы создали единый модельный каркас, который решает три задачи одновременно: строит точные контуры всех позвонков, пронумеровывает их от шейного отдела до поясничного и указывает участки, которые могут соответствовать переломам, распространению рака или другим повреждениям. VertebraFormer основан на современной архитектуре «трансформера», известной по обработке языка и изображений, которая особенно хорошо выявляет дальнодействующие зависимости. Это критично для позвоночника, где форма отдельного позвонка приобретает смысл только в контексте всего столба.

Разнообразный бенчмарк реальных сканов

Чтобы проверить, выдержит ли система проверку вне одной лаборатории или больницы, команда собрала новый бенчмарк под названием MultiSpine. Он объединяет шесть разных наборов данных, включая большие публичные коллекции и закрытые больничные когорты, охватывающие шейный, грудной и поясничный отделы, а в некоторых случаях — как КТ, так и МРТ. Сканирования выполнялись на аппаратах разных производителей с различными протоколами, а экспертные радиологи аннотировали контуры позвонков, их анатомические метки и — где доступно — области патологии. Авторы также приложили необычные усилия, чтобы исключить скрытые дубликаты между наборами данных, тщательно отслеживая идентификаторы сканов и используя «перцептуальное хеширование» для выявления почти идентичных изображений.

Как ИИ изучает структуру позвоночника и поражения

Внутри VertebraFormer общий энкодер сначала преобразует 3D-скан позвоночника в набор патчей и изучает, как эти фрагменты соотносятся по всему столбу. Поверх общего «фэнбоуна» размещены три специализированных ветви. Одна воссоздаёт детальную 3D-маску всех позвонков. Другая фокусируется на каждом позвонке по очереди, используя его положение и окружение, чтобы решить, например, T11 это или L3. Третья ветвь выдаёт тепловые карты, которые наиболее ярко подсвечивают вероятные поражения. Ключевым элементом является также блок «динамической модуляции», который определяет стиль изображения — различия между аппаратами, протоколами или даже КТ и МРТ — и мягко подстраивает внутреннюю обработку, стремясь сохранять точность при встрече с непривычным типом скана.

Проверка робастности

Исследователи сравнили VertebraFormer с ведущими моделями для анализа позвоночника на наборе MultiSpine. Модель последовательно показывала более высокую точность в обведении позвонков, корректной нумерации и обнаружении поражений. В более жёстком «zero-shot» тесте модель обучалась на нескольких наборах, а затем оценивалась на полностью невиданном, имитируя развёртывание в новой клинике. И здесь VertebraFormer превосходил альтернативы и демонстрировал лишь умеренное падение показателей. Авторы исследовали влияние архитектурных компонентов через ablation-исследования, показав, что каждая добавленная часть — ветвь идентификации, детектор поражений и особенно блок модуляции по домену — даёт измеримый прирост. Несмотря на сложность, модель обрабатывает примерно 14 полных 3D-томограмм в секунду на современном железе, превосходя эквивалентно быструю конвейерную систему из нескольких сетей во всех трёх задачах.

Работа с зашумлёнными и смещёнными данными

Реальные клинические сканы далёки от идеала, поэтому авторы подвергли модель стресс-тестированию с помощью симулированных помех: дополнительного шума, сдвигов интенсивности, увеличенной толщины срезов и металлических артефактов. VertebraFormer оставался стабильным при умеренных ухудшениях и сбивался только в экстремальных условиях. Также показано, что при неверно заданной информации о домене производительность падает, подтверждая, что механизм модуляции по домену имеет практическое значение, а не декоративен. В то же время альтернативные стратегии адаптации на лету, такие как корректировка статистик признаков или минимизация неопределённости предсказаний во время тестирования, помогали частично восстановить производительность, когда метки домена недостоверны или недоступны.

Что это означает для пациентов и клиницистов

Для неспециалистов ключевая мысль такова: VertebraFormer объединяет многие элементы анализа спинальной визуализации в едином, более быстром и более надёжном ИИ-инструменте. За счёт изучения общей структуры позвоночника, адаптации к разным аппаратам и учреждениям, а также одновременного выявления анатомии и патологии он снижает потребность в множестве отдельных систем и может предоставлять радиологам чёткие контуры, согласованную нумерацию и наглядные тепловые карты подозрительных участков. Хотя модель ещё требует проспективного тестирования в рабочих клинических потоках и более широкого обучения на редких состояниях и мультимодальных данных, эта работа закладывает важную основу для автоматизированной оценки позвоночника, достаточно точной, интерпретируемой и робастной, чтобы помогать врачам независимо от места проведения сканирования.

Цитирование: Du, J., Ge, H., Zhang, R. et al. Structure-aware multi-task learning with domain generalization for robust vertebrae analysis in spinal CT. npj Digit. Med. 9, 217 (2026). https://doi.org/10.1038/s41746-025-02288-5

Ключевые слова: спинальная КТ, сегментация позвонков, обнаружение поражений, ИИ в медицинской визуализации, обобщение по доменам