Оценка эффективности алгоритмов глубокого обучения для выявления признаков spina bifida occulta на рентгенограммах позвоночника

Vollständiger Abstract

Worum geht es in dieser Arbeit?

Введение. Spina bifida occulta — скрытый порок развития позвоночника, часто остающийся недиагностированным до появления неврологических симптомов. Разработка системы автоматизированного выявления данной патологии на рентгенограммах с использованием нейросетей требует обоснованного выбора архитектуры, обеспечивающей оптимальную диагностическую точность. Цель исследования — оценить эффективность алгоритмов глубокого обучения (Res Net50, Efficient Net-B7, RT-DETR-L, YOLO версий 8–12) для выявления признаков spina bifida occulta на рентгенограммах шейного, грудного и пояснично крестцового отделов позвоночника. Материалы и методы. Сформирован ретроспективный размеченный набор данных из 1732 рентгенограмм позвоночника (360 — шейный, 141 — грудной, 1231 — пояснично крестцовый отдел), собранных за период 2022–2024 гг. Баланс классов «патология» : «норма» составил 50:50. Проведена автоматическая обрезка области позвоночного столба с использованием визуально языковой модели Qwen3-VL. Обучающая подвыборка увеличена в 3 раза методами аугментации. Модели обучены и протестированы с расчетом чувствительности, специфичности, точности и AUC (ROC-анализ). Результаты. Лучшие результаты для шейного отдела достигнуты моделью YOLOv9t (AUC=0,926 [95% доверительный интервал (ДИ) 0,816–1,000]); для грудного — YOLOv10n и YOLOv11n (AUC=0,982 [95% ДИ 0,933–1,000]); для пояснично крестцового — YOLOv8m (AUC=0,956 [95% ДИ 0,923–0,989]). Res Net50 и Efficient Net-B7 показали существенно более низкую эффективность (AUC — до 0,839). Модели YOLO обеспечивают не только классификацию изображений, но и детекцию порока на рентгенограммах в виде ограничивающих рамок. Заключение. Архитектуры семейства YOLO превосходят альтернативные модели глубокого обучения для выявления spina bifida occulta на рентгенограммах. Полученные метрики позволяют рекомендовать YOLOv9t, YOLOv10n, YOLOv11n и YOLOv8m в качестве основы для разработки программного обеспечения для автоматизированного выявления spina bifida occulta на рентгенограммах шейного, грудного и пояснично крестцового отделов позвоночника. Introduction. Spina bifida occulta is a latent congenital spinal defect that often remains undiagnosed until neurological symptoms appear. The development of a system for the automated detection of this pathology on radiographs using neural networks requires a sound choice of architecture that ensures optimal diagnostic performance. Aim — to evaluate the performance of deep learning algorithms (Res Net50, Efficient Net-B7, RT-DETR-L, and YOLO versions 8–12) for detecting spina bifida occulta on cervical, thoracic, and lumbosacral spine radiographs. Materials and methods. A retrospective, labeled dataset was compiled from 1,732 spinal radiographs (360 cervical, 141 thoracic, and 1,231 lumbosacral) acquired between 2022 and 2024. The dataset was balanced 50:50 between pathological and normal cases. Automatic cropping of the spinal column region was performed using the Qwen3-VL vision language model. The training subset was expanded threefold using data augmentation techniques. The models were trained and tested using sensitivity, specificity, accuracy, and area under the receiver operating characteristic curve (AUC-ROC). Results. For the cervical spine, the best performance was achieved by the YOLOv9t model (AUC=0.926 [95% confidence interval (CI): 0.816–1.000]); for the thoracic spine, by YOLOv10n and YOLOv11n (AUC=0.982 [95% CI: 0.933–1.000]); and for the lumbosacral spine, by YOLOv8m (AUC=0.956 [95% CI: 0.923–0.989]). Res Net50 and Efficient Net-B7 demonstrated significantly lower performance, yielding AUC values not exceeding 0.839. YOLO models enabled both image classification and defect localization on radiographs using bounding boxes. Conclusion. YOLO architectures outperform alternative deep learning models for detecting SBO on radiographs. These metrics support the integration of YOLOv9t, YOLOv10n, YOLOv11n, and YOLOv8m into software for automated detection of Spina Bifida Occulta on cervical, thoracic, and lumbosacral radiographs.