Диагностическая точность технологий искусственного интеллекта при анализе результатов магнитно-резонансной томографии для выявления и оценки очагов демиелинизации: ретроспективное диагностическое исследование на эталонных наборах данных

Цель исследования: оценить диагностическую точность технологий искусственного интеллекта (ИИ) для автоматизированного выявления магнитно-резонансных (МР) признаков рассеянного склероза (РС) и дифференциации от других патологий на эталонных наборах данных.
Материалы и методы. Проведено ретроспективное диагностическое исследование в соответствии с методологией STARD 2015. В исследовании использованы два ИИ-сервиса, интегрированных в Единый радиологический информационный сервис г. Москвы. Эталонный набор данных (n=100) включал результаты МРТ головного мозга с контрастированием и без. Оценивались показатели диагностической точности: площадь под ROC-кривой (AUROC), чувствительность, специфичность и точность.
Результаты. ИИ-сервис 1 показал точность 0,86 (95 % ДИ 0,79–0,93), чувствительность 0,73 (95 % ДИ 0,6–0,85) и специфичность 0,98 (95 % ДИ 0,94–1,0). ИИ-сервис 2 продемонстрировал более высокие результаты: точность 0,99 (95% ДИ 0,97–1,0), чувствительность 1,0 (95% ДИ 1,0–1,0) и специфичность 0,98 (95% ДИ 0,94–1,0).
Выводы. Технологии ИИ демонстрируют высокий потенциал для автоматизации анализа МРТ при диагностике РС. Однако наблюдаются значительные различия в точности и воспроизводимости результатов между ИИ-сервисами, что подчеркивает необходимость дальнейших исследований в реальных клинических условиях.

1. Ягудина Р. И., Куликов А. Ю., Литвиненко М. М. Экономическое бремя рассеянного склероза. Фармакоэкономика: теория и практика. 2013; 1 (1): 3–34. https://doi.org/10.30809/phe.1.2013.1

2. Бойко А. Н., Кукель Т. М., Лысенко М. А., Вдовиченко Т. В., Гусев Е. И. Клиническая эпидемиология рассеянного склероза в Москве. Описательная эпидемиология на примере популяции одного из округов города. Журнал неврологии и психиатрии им. С. С. Корсакова. Спецвыпуски. 2013; 113 (10–2): 8–14.

3. Thompson A. J., Banwell B. L., Barkhof F. et al. Diagnosis of multiple sclerosis: 2017 revisions of the McDonald criteria. The Lancet Neurology. 2018; 17 (2): 162–173.

4. Filippi M., Rocca M. A., Ciccarelli O. et al. MRI criteria for the diagnosis of multiple sclerosis: MAGNIMS consensus guidelines. Multiple Sclerosis Journal 2020; 26 (4): 502–512.

5. Свидетельство о государственной регистрации базы данных № 2022621197 Российская Федерация. MosMedData: набор диагностических магнитно-резонансных изображений головного мозга с наличием и отсутствием признаков рассеянного склероза: № 2022621099: заявл. 11.05.2022: опубл. 25.05.2022 / С. П. Морозов, Н. А. Павлов, А. В. Петряйкин [и др.]; заявитель Государственное бюджетное учреждение здравоохранения города Москвы «Научно-практический клинический центр диагностики и телемедицинских технологий Департамента здравоохранения городя Москвы».

6. Свидетельство о государственной регистрации базы данных № 2023621236 Российская Федерация. MosMedData: MPT с признаками рассеянного склероза: № 2023620627: заявл. 10.03.2023: опубл. 18.04.2023 / А. В. Владзимирский, И. М. Шулькин, О. В. Омелянская [и др.]; заявитель Государственное бюджетное учреждение здравоохранения города Москвы «Научно-практический клинический центр диагностики и телемедицинских технологий Департамента здравоохранения города Москвы».

7. Thompson A. J. et al. (2018). Диагностика рассеянного склероза: пересмотр критериев Макдональда за 2017 год. Lancet Neurol. 17: 162–173. DOI: 10.1016/S1474–4422(17)30470‑2

8. Federau C., Hainc N., Edjlali M., Zhu G., Mastilovic M., Nierobisch N., Uhlemann J. P., Paganucci S., Granziera C., Heinzlef O., Kipp L. B., Wintermark M. Оценка качества и производительности нейрорадиологического считывания последующего МРТ при рассеянном склерозе с использованием интеллектуального программного обеспечения для автоматизации. Нейрорадиология. 2024 Март; 66 (3): 361–369. DOI: 10.1007/s00234‑024‑03293‑3. Epub 2024 24 января. PMID: 38265684; PMCID: PMC 10859335.

9. Sieber V, Rusche T, Yang S, Stieltjes B, Fischer U, Trebeschi S, Cattin P, Nguyen-Kim DL, Psychogios MN, Lieb JM, Sporns PB. Automated assessment of brain MRIs in multiple sclerosis patients significantly reduces reading time. Neuroradiology. 2024 Dec; 66 (12): 2171–2176. DOI: 10.1007/s00234‑024‑03497‑7. Epub 2024 Nov 8. PMID: 39514032; PMCID: PMC 11611969.

10. Mendelsohn Z., Pemberton H. G., Gray J., Goodkin O., Carrasco F. P., Scheel M. et al. Commercial volumetric MRI reporting tools in multiple sclerosis: a systematic review of the evidence. Neuroradiology. 2023 Jan; 65 (1): 5–24.

11. Sönke Peters, Lars Schmill, Carl Alexander Gless, Klarissa Stürner, Olav Jansen, Svea Seehafer. AI-based assessment of longitudinal multiple sclerosis MRI: Strengths and weaknesses in clinical practice. Eur J Radiol. 2025 Feb; 183: 111941. https://doi.org/10.1016/j.ejrad.2025.111941

12. Бобровская Т. М. Подходы к формированию наборов данных в лучевой диагностике / Т. М. Бобровская, Ю. А. Васильев, Н. Ю. Никитин, К. М. Арзамасов. Врач и информационные технологии. 2023; 4: 14–23. DOI: 10.25881/18110193_2023_4_14

13. Васильев Ю. А. Методология тестирования и мониторинга программного обеспечения на основе технологий искусственного интеллекта для медицинской диагностики / Ю. А. Васильев, А. В. Владзимирский, О. В. Омелянская [и др.]. Digital Diagnostics. 2023; 4 (3): 252–267. Doi: 10.17816/DD321971

14. Клинические испытания систем искусственного интеллекта (лучевая диагностика). Москва: Государственное бюджетное учреждение здравоохранения города Москвы «Научно-практический клинический центр диагностики и телемедицинских технологий Департамента здравоохранения города Москвы», 2023. 40 с.

15. Nahm FS. Receiver operating characteristic curve: overview and practical use for clinicians. Korean J Anesthesiol. 2022 Feb; 75 (1): 25–36. DOI: 10.4097/kja.21209

16. Тучинов Б. Н., Суворов В., Моторин К. О., Павловский Е. Н., Василькив Л. М., Станкевич Ю. А., Тулупов А. А. Применение алгоритма компьютерного зрения для определения очагов демиелинизации при рассеянном склерозе на МРТ-изображениях. Сибирский научный медицинский журнал. 2024; 44 (1): 107–115.

17. Шпаковский А. Ю., Мулица А. В., Благочинная К. В. Возможности искусственного интеллекта в характеристике очагов демилинизации пациентов с рассеянным склерозом. Коморбидная неврология. 2024; 1 (4): 38–43.

18. Федулов А., Карапетян Г., Косик И., Борисов А., Благочинная К., Волкова Н. Технологии искусственного интеллекта в мониторинге патоморфологических изменений центральной нервной системы при рассеянном склерозе. Наука и инновации. 2023; 2 (240): 75–83.

19. Collorone S, Coll L, Lorenzi M, Lladó X, Sastre-Garriga J, Tintoré M, Montalban X, Rovira À, Pareto D, Tur C. Artificial intelligence applied to MRI data to tackle key challenges in multiple sclerosis. Mult Scler. 2024 Jun; 30 (7): 767–784. DOI: 10.1177/13524585241249422

20. Amin M, Martínez-Heras E, Ontaneda D, Prados Carrasco F. Artificial Intelligence and Multiple Sclerosis. Curr Neurol Neurosci Rep. 2024 Aug; 24 (8): 233–243. DOI: 10.1007/s11910-024-01354-x