Мельникова М. С. - все статьи автора в журнале
-
2026 № 6 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. -
2026 № 5 Обогащенные данные и машинное обучение в диагностике замедленного заживления переломов большеберцовой кости.
Замедленное заживление переломов большеберцовой кости представляет серьезную проблему в современной травматологии, особенно при сложных диафизарных переломах. Эти переломы характеризуются высоким риском несращения, что приводит к удлинению сроков лечения, повышенному риску повторных хирургических вмешательств и значительным социально-экономическим последствиям. Задержка в консолидации кости часто сопровождается снижением функционального статуса пациента и ухудшением качества жизни.
Цель исследования: анализ использования обогащенных данных и машинного обучения в диагностике замедленного заживления переломов большеберцовой кости.
Материалы и методы. Традиционные методы лучевой диагностики, включая рентгенографию и компьютерную томографию, демонстрируют умеренную точность при выявлении замедленного заживления на ранних стадиях. Ограниченная способность стандартных методов выявить ранние признаки замедленного сращения затрудняет своевременную коррекцию лечебной тактики и повышает вероятность развития осложнений. Кроме того, несвоевременное выявление таких патологий увеличивает частоту необходимости повторных оперативных вмешательств и продлевает реабилитацию.
Результаты. Актуальным направлением исследований является разработка алгоритмов машинного обучения, которые анализируют данные лучевой диагностики и автоматически определяют признаки замедленного заживления. Однако эффективность таких алгоритмов ограничена, поскольку они опираются преимущественно на данные визуализации и не учитывают значимые клинические факторы риска. В этой связи мультимодальный подход, объединяющий данные лучевой диагностики с клиническими, биохимическими и генетическими параметрами, представляет собой перспективное решение. Использование обогащенных данных позволяет значительно повысить точность прогнозирования несращений
и снизить вероятность диагностических ошибок.
Выводы. Внедрение мультимодальных алгоритмов в клиническую практику представляет собой важный шаг к совершенствованию методов диагностики и лечения пациентов с диафизарными переломами большеберцовой кости. Такой подход способствует своевременному выявлению случаев замедленного заживления, оптимизации лечебной тактики и улучшению исходов лечения. Повышение точности диагностики позволит снизить риск осложнений, сократить сроки реабилитации и повысить качество жизни пациентов.