Обзор применения технологий искусственного интеллекта для оценки костной консолидации.

Актуальность. Консолидация переломов длинных костей представляет собой сложный биомеханический и регенераторный процесс, нарушение которого может приводить к замедленному сращению и формированию несращений, сопровождающихся увеличением сроков реабилитации, риском повторных хирургических вмешательств и ростом социально-экономических затрат.
В клинической практике стандартизированная оценка заживления преимущественно осуществляется с использованием визуальных шкал RUST и mRUST на основе рентгенограмм, однако их диагностическая точность ограничивается субъективностью интерпретации и межэкспертной вариабельностью. В условиях цифровой трансформации здравоохранения возрастает интерес к автоматизированным методам оценки костного заживления, основанным на применении глубокого обучения для анализа рентгенографических и томографических изображений.
Цель обзора заключается в анализе современных подходов к автоматизации оценки костной консолидации на основе шкал RUST/mRUST и моделей искусственного интеллекта, включая методы детекции, трансформерные архитектуры, сегментационные решения для КТ и регрессионные прогнозные модели.
Материалы и методы. Методологическую основу исследования составили методы анализа и обобщения научной литературы, а также контент-анализ аналитических отчётов.
Результаты. В настоящем обзоре систематизированы современные подходы к автоматизации оценки
консолидации, включая регрессионное воспроизведение mRUST-баллов, сегментацию костного каллуса и кортикальных структур по данным компьютерной томографии с использованием архитектур типа nnU-Net и FracNet, а также применение гибридных моделей, сочетающих детекторы (YOLOv9) и трансформерные энкодеры (Swin Transformer V2).
Особое внимание уделено проблемам дефицита размеченных данных, вариабельности клинических протоколов и вычислительным ограничениям 3D-сетей, а также перспективам интеграции количественных визуализационных биомаркеров в предиктивные модели риска несращения.
Заключение. Обозначены векторы дальнейшего развития, включающие разработку мультимодальных моделей, объединяющих рентгенологические, КТ-показатели и клинические данные, переход к непрерывным индексам заживления и внедрение алгоритмов искусственного интеллекта в системы поддержки принятия решений в травматологии.

Авторы: Мельникова М. С., Арзамасов К. М.

Темы: автоматическая сегментация1 глубокое обучение2 компьютерная томография5 костная консолидация1 прогноз несращения1 шкала rust1