Специалистами из Центральной больницы Дачжоу и Университета традиционной китайской медицины Чэнду были разработаны модели машинного обучения для анализа снимков ККТ. В ретроспективное исследование было включено 1120 снимков ККТ пациентов, разделенных на 3 группы: остеопороз (Т-критерий ≤ -2,5), остеопения (-2,5 < Т-критерий < -1) и контрольная группа (Т-критерий ≥ -1). Т-критерий рассчитывался по минеральной плотности костной ткани. Для дальнейшей работы снимки ККТ группы остеопороза и группы остеопении были случайным образом распределены в обучающую (414 снимков) и тестовую (176 снимков) группы (соотношение 7:3).

При создании клинико-рентгенологической модели машинного обучения было первоначально сформировано две независимые модели для определения остеопороза и остеопении на основе рентгенологических характеристик и клинических признаков. Точность постановки диагноза с использованием рентгенологической модели составила 0,96 (P<0,05, доверительный интервал (ДИ) 0,94–0,98) в обучающей группе и 0,96 (P<0,05, ДИ 0,92–1,00) в тестовой группе. Клиническая модель показала точность постановки диагноза 0,81 (P<0,05, ДИ 0,78–0,86) в обучающей группе и 0,79 (P<0,05, ДИ 0,71–0,86) в тестовой группе. Комбинированная модель, сочетающая обработку клинических признаков и рентгенологических характеристик, демонстрировала точность постановки диагноза 0,96 (P<0,05, ДИ 0,95–0,98) в обучающей группе и 0,96 (P<0,05, ДИ 0,92–1,00) в тестовой группе. Результаты, полученные как в обучающей, так и в тестовой группе, показали, что рентгенологическая модель не уступает комбинированной клинико-рентгенологической модели.

Результаты исследования однозначно указывают на то, что две модели машинного обучения из предложенных могут быть использованы для своевременной диагностики остеопороза и остеопении.

Первоисточник:
Xie Q, Chen Y, Hu Y, Zeng F, Wang P, Xu L, Wu J, Li J, Zhu J, Xiang M, Zeng F., Development and validation of a machine learning-derived radiomics model for diagnosis of osteoporosis and osteopenia using quantitative computed tomography, BMC Medical Imaging, № 22(1), стр. 140/DOI: 10.1186/s12880-022-00868-5