Автоматизированный анализ рентгенограмм позвоночника с расчетом параметров сагиттального баланса: разработка и валидация системы поддержки клинических измерений

Цель исследования. Разработать и оценить систему автоматизированного анализа фронтальных и боковых рентгенограмм позвоночника в положении пациента стоя с последующим расчетом параметров сагиттального баланса и персонализированных целевых позвоночно-тазовых параметров на основе тазового индекса (PI).

Материал и методы. Ретроспективное двухцентровое исследование. В анализ включены обезличенные цифровые рентгенограммы позвоночника и таза в прямой и боковой проекциях, выполненные в положении стоя у 1076 пациентов. Для обучения, валидации и тестирования использовали 973 полностью размеченных и верифицированных исследования. Для автоматической сегментации применяли архитектуру U-Net с последующим расчетом параметров сагиттального баланса и возможностью вычисления фронтальных параметров. Отдельный анализ согласия экспертных и автоматических измерений выполнен для параметров PI, PT, SS, GLL и L₄–S₁. Качество сегментации оценивали по метрикам Dice (коэффициент Дайса) и IoU (коэффициент Жаккара). Дополнительно анализировали межэкспертную вариабельность разметки и сопоставляли результаты по схемам «модель–эксперт» и «эксперт–эксперт».

Результаты. На тестовой выборке среднее значение коэффициента Дайса между моделью и экспертом составило 90,1 %, что находится в пределах межэкспертной вариабельности (88,5–93,4 %). При сравнении автоматических и экспертных измерений параметров PI, PT, SS, GLL и L₄–S₁ на выборке из 46 пациентов отмечено высокое согласие между методами: значения ICC(A,1) находились в диапазоне 0,989–0,996, а границы их 95% доверительных интервалов — в диапазоне 0,977–0,998; средняя абсолютная ошибка составила 0,84–1,14°, а доля наблюдений с абсолютным расхождением не более 2,5° – 93,5–97,8 %. Полный цикл анализа одного пациента занимал менее трех секунд на графическом процессоре (GPU). Компоненты прототипа прошли успешную пилотную эксплуатацию.

Заключение. Разработанная система обеспечивает автоматическое распознавание анатомических структур на рентгенограммах позвоночника и расчет параметров сагиттального баланса с высокой согласованностью с экспертными измерениями. Система может использоваться для стандартизации рентгенографических измерений; ее применение в предоперационном планировании требует дальнейшей клинической валидации.

1. Glassman SD, Bridwell K, Dimar JR, Horton W, Berven S, Schwab F. The impact of positive sagittal balance in adult spinal deformity. Spine (Phila Pa 1976). 2005;30:2024–2029. DOI: http://dx.doi.org/10.1097/01.BRS.0000179086.30449.96

2. Schwab F, Ungar B, Blondel B, Buchowski J, Coe J, Deinlein D, Dewald C, Mehdian H, Shaffrey C, Tribus C, Lafage V. Scoliosis Research Society-Schwab adult spinal deformity classification: a validation study. Spine (Phila Pa 1976). 2012;37:1077–1082. DOI: http://dx.doi.org/10.1097/BRS.0b013e31823e15e2

3. Lafage R, Schwab F, Glassman S, Bess S, Harris B, Sheer J, Hart R, Line B, Henry J, Burton D, Kim HJ, Klineberg E, Ames C, Lafage V. Age-adjusted alignment goals have the potential to reduce PJK. Spine (Phila Pa 1976). 2017;42:1275–1282. DOI: http://dx.doi.org/10.1097/BRS.0000000000002146

4. Le Huec JC, Charosky S, Barrey C, Rigal J, Aunoble S. Sagittal imbalance cascade for simple degenerative spine and consequences: algorithm of decision for appropriate treatment. Eur Spine J. 2011;20 Suppl 5:S699–S703. DOI: http://dx.doi.org/10.1007/s00586-011-1938-8

5. Макиров С.К., Юз А.А., Джахаф М.Т. Методика оценки параметров сагиттального позвоночно-тазового баланса. Хирургия позвоночника. 2015;12(3):55–63. [Makirov SK, Yuz AA, Jahaf MT. Method of assessing the parameters of the sagittal spinal pelvic balance. Russian Journal of Spine Surgery (Khirurgiya Pozvonochnika). 2015;12(3):55–63]. DOI: http://dx.doi.org/10.14531/ss2015.3.55-63 EDN: https://elibrary.ru/UMGWQX

6. Байков Е.С., Пелеганчук А.В., Сангинов А.Д., Леонова О.Н., Крутько А.В. Хирургическая коррекция сагиттального дисбаланса поясничного отдела позвоночника дегенеративного генеза. Хирургия позвоночника. 2020;17(2):49–57. [Baikov ES, Peleganchuk AV, Sanginov AD, Leonova ON, Krutko AV. Surgical correction of degenerative sagittal imbalance of the lumbar spine. Russian Journal of Spine Surgery (Khirurgiya Pozvonochnika). 2020;17(2):49–57]. DOI: http://dx.doi.org/10.14531/ss2020.2.49-57 EDN: https://elibrary.ru/PTCFZB

7. Прудникова О.Г., Аранович А.М., Муштаева Ю.А., Губин А.В. Биомеханические аспекты сагиттального баланса позвоночника у пациентов с ахондроплазией при удлинении конечностей методом Илизарова. Хирургия позвоночника. 2018;15(4):7–14. [Prudnikova OG, Aranovich AM, Mushtaeva YuA, Gubin AV. Biomechanical aspects of spinal sagittal balance in achondroplasia patients during Ilizarov limb lengthening. Russian Journal of Spine Surgery (Khirurgiya Pozvonochnika). 2018;15(4):7–14]. DOI: http://dx.doi.org/10.14531/2018.4.7-14 EDN: https://elibrary.ru/PPXBWX

8. Litjens G, Kooi T, Bejnordi BE, Setio AAA, Ciompi F, Ghafoorian M, van der Laak JAWM, van Ginneken B, Sánchez CI. A survey on deep learning in medical image analysis. Med Image Anal. 2017;42:60–88. DOI: http://dx.doi.org/10.1016/j.media.2017.07.005

9. Ronneberger O, Fischer P, Brox T. U-Net: convolutional networks for biomedical image segmentation. In: Navab N, Hornegger J, Wells WM, Frangi AF, eds. Medical Image Computing and Computer-Assisted Intervention – MICCAI 2015: 18th International Conference Munich, Germany, October 5-9, 2015 proceedings, part III. Cham: Springer, 2015;234–241. DOI: http://dx.doi.org/10.1007/978-3-319-24574-4_28

10. Chen Y, Mo Y, Readie A, Ligozio G, Mandal I, Jabbar F, Coroller T, Papież BW. VertXNet: an ensemble method for vertebral body segmentation and identification from cervical and lumbar spinal X-rays. Sci Rep. 2024;14:3341. DOI: http://dx.doi.org/10.1038/s41598-023-49923-3

11. Karimi D, Dou H, Warfield SK, Gholipour A. Deep learning with noisy labels: exploring techniques and remedies in medical image analysis. Med Image Anal. 2020;65:101759. DOI: http://dx.doi.org/10.1016/j.media.2020.101759

12. Galbusera F, Casaroli G, Bassani T. Artificial intelligence and machine learning in spine research. JOR Spine. 2019;2:e1044. DOI: http://dx.doi.org/10.1002/jsp2.1044

13. Korez R, Putzier M, Vrtovec T. A deep learning tool for fully automated measurements of sagittal spinopelvic balance from X-ray images: performance evaluation. Eur Spine J. 2020;29:2295–2305. DOI: http://dx.doi.org/10.1007/s00586-020-06406-7

14. Vrtovec T, Ibragimov B. Spinopelvic measurements of sagittal balance with deep learning: systematic review and critical evaluation. Eur Spine J. 2022;31:2031–2045. DOI: http://dx.doi.org/10.1007/s00586-022-07155-5

15. Hoppe BF, Rueckel J, Rudolph J, Fink N, Weidert S, Hohlbein W, Cavalcanti-Kussmaul A, Trappmann L, Munawwar B, Ricke J, Sabel BO. Automated spinopelvic measurements on radiographs with artificial intelligence: a multi-reader study. Radiol Med. 2025;130:359–367. DOI: http://dx.doi.org/10.1007/s11547-025-01957-5

16. Bishara A, Patel S, Warman A, Jo J, Hughes LP, Khalifeh JM, Azad TD. Artificial intelligence automated measurements of spinopelvic parameters in adult spinal deformity - a systematic review. Spine Deform. 2025;13:1289–1304. DOI: http://dx.doi.org/10.1007/s43390-025-01111-1

17. Vila-Casademunt A, Pellisé F, Acaroglu E, Pérez-Grueso FJ, Martín-Buitrago MP, Sanli T, Yakici S, de Frutos AG, Matamalas A, Sánchez-Márquez JM, Obeid I, Yam-an O, Bagó J. The reliability of sagittal pelvic parameters: the effect of lumbosacral instrumentation and measurement experience. Spine (Phila Pa 1976). 2015;40:E253–E258. DOI: http://dx.doi.org/10.1097/BRS.0000000000000720

18. Langella F, Villafañe JH, Damilano M, Cecchinato R, Pejrona M, Ismael M, Berjano P. Predictive accuracy of Surgimap surgical planning for sagittal imbalance: a cohort study. Spine (Phila Pa 1976). 2017;42:E1297–E1304. DOI: http://dx.doi.org/10.1097/BRS.0000000000002230

19. Захарин В.Р., Леонова О.Н., Байков Е.С., Кокорев А.И., Дарчия Л.Ю., Балычев Г.Е., Иванов Д.В., Доль А.В., Бессонов Л.В., Крутько А.В. Валидация мобильного приложения для расчета сагиттальных параметров позвоночника «SmartPlan Balance». Хирургия позвоночника. 2025;22(2):96–103. [Zakharin VR, Leonova ON, Baikov ES, Kokorev AI, Darchia LYu, Balychev GE, Ivanov DV, Dol AV, Bessonov LV, Krutko AV. Validation of the SmartPlan Balance mobile application to measure sagittal parameters of the spine. Russian Journal of Spine Surgery (Khirurgiya Pozvonochnika). 2025;22(2):96–103. DOI: http://dx.doi.org/10.14531/ss2025.2.96-103 EDN: https://elibrary.ru/TEUJWR