Использование нейронных сетей для оценки возрастных изменений некоторых структур черепа и шейных позвонков по данным КТ-снимков (пилотный проект)

Цель исследования — изучение возможности использования технологий искусственного интеллекта для прогнозирования возраста по данным КТ-исследования некоторых структур черепа и шейных позвонков.

Материалы и методы. В исследование включены 223 томограммы головы и шеи в сагиттальной проекции от пациентов без какой-либо патологии изучаемых структур. Морфометрический анализ выполняли при помощи программ PjaPro, Gradient, статистический анализ — SPSS Statistics. Применяли полностью сверточную нейронную сеть EfficientNet-B2, для которой проводили обучение в два этапа: выделение интересующей области и решение задачи регрессии.

Результаты. Морфометрическая оценка и последующий статистический анализ выделенной группы признаков выявили наличие наиболее сильной корреляционной связи с возрастом у показателя, характеризующего инволюцию срединного атланто-осевого сустава. Опробован метод использования системы глубокого обучения с помощью сверточной сети, которая автоматически выделяет нужную область на снимке (область соединения позвонков), классифицирует образец и дает предположение о возрасте неизвестного с точностью от 7,5 до 10,5 года.

Заключение. Получен положительный опыт, свидетельствующий о возможности использования сверточных нейронных сетей для установления возраста неизвестного, что расширяет доказательную базу и дает новые возможности для определения обще­групповых признаков личности в судебной медицине.

1. Loganathan T., Chan Z.X., Hassan F., Ong Z.L., Majid H.A. Undocumented: an examination of legal identity and education provision for children in Malaysia. PLoS One 2022; 17(2): e0263404, https://doi.org/10.1371/journal.pone.0263404.
2. Zolotenkova G.V., Rogachev A.I., Pigolkin Y.I., Edelev I.S., Borshchevskaya V.N., Cameriere R. Age сlassification in forensic medicine using machine learning techniques. Sovremennye tehnologii v medicine 2022; 14(1): 15, https://doi.org/10.17691/stm2022.14.1.02.
3. Knudtzen F.C., Mørk L., Nielsen V.N., Astrup B.S. Accessing vulnerable undocumented migrants through a healthcare clinic including a community outreach programme: a 12-year retrospective cohort study in Denmark. J Travel Med 2022; 29(7): taab128, https://doi.org/10.1093/jtm/taab128.
4. International Commission of Jurists. Migration and International Human Rights Law. A practitioners’ guide. Updated edition, 2014. URL: https://www.icj.org/wp-content/uploads/2014/ 10/Universal-MigrationHRlaw-PG-no-6- Publications-PractitionersGuide-2014-eng.pdf.
5. Cummaudo M., De Angelis D., Magli F., Minà G., Merelli V., Cattaneo C. Age estimation in the living: a scoping review of population data for skeletal and dental methods. Forensic Sci Int 2021; 320: 110689, https://doi.org/10.1016/j.forsciint.2021.110689.
6. Priya E. Methods of skeletal age estimation used by forensic anthropologists in adults: a review. Forensic Res Criminol Int J 2017; 4(2): 41–51, https://doi.org/10.15406/frcij.2017.04.00104.
7. Bailey C., Vidoli G. Age-at-death estimation: accuracy and reliability of common age-reporting strategies in forensic anthropology. Forensic Sci 2023; 3(1): 179–191, https://doi.org/10.3390/forensicsci3010014.
8. Zaborowicz M., Zaborowicz K., Biedziak B., Garbowski T. Deep learning neural modelling as a precise method in the assessment of the chronological age of children and adolescents using tooth and bone parameters. Sensors (Basel) 2022; 22(2): 637, https://doi.org/10.3390/s22020637.
9. Гридина Н.В., Золотенкова Г.В., Рогачев А.И., Пиголкин Ю.И. Инструментальное обеспечение решения задачи классификации при судебно-медицинской диагностике биологического возраста неопознанного индивидуума. Системы высокой доступности 2020; 16(4): 64–70, https://doi.org/10.18127/j20729472-202004-06.
10. Chetverikov S.F., Arzamasov K.M., Andreichenko A.E., Novik V.P., Bobrovskaya T.M., Vladzimirsky A.V. Approaches to sampling for quality control of artificial intelligence in biomedical research. Sovremennye tehnologii v medicine 2023; 15(2): 19, https://doi.org/10.17691/stm2023.15.2.02.
11. LeCun Y., Bengio Y., Hinton G. Deep learning. Nature 2015; 521(7553): 436–444, https://doi.org/10.1038/nature14539.
12. Dallora A.L., Anderberg P., Kvist O., Mendes E., Diaz Ruiz S., Sanmartin Berglund J. Bone age assessment with various machine learning techniques: a systematic literature review and meta-analysis. PLoS One 2019; 14(7): e0220242, https://doi.org/10.1371/journal.pone.0220242.
13. Anthimopoulos M., Christodoulidis S., Ebner L., Christe A., Mougiakakou S. Lung pattern classification for interstitial lung diseases using a deep convolutional neural network. IEEE Trans Med Imaging 2016; 35(5): 1207–1216, https://doi.org/10.1109/tmi.2016.2535865.
14. Gogoberidze Y.T., Klassen V.I., Natenzon M.Y., Prosvirkin I.A., Vladzimirsky A.V., Sharova D.E., Zinchenko V.V. PhthisisBioMed artificial medical intelligence: software for automated analysis of digital chest X-ray/fluorograms. Sovremennye tehnologii v medicine 2023; 15(4): 5, https://doi.org/10.17691/stm2023.15.4.01.
15. Liskowski P., Krawiec K. Segmenting retinal blood vessels with deep neural networks. IEEE Trans Med Imaging 2016; 35(11): 2369–2380, https://doi.org/10.1109/tmi.2016.2546227.
16. Frolov А.А., Pochinka I.G., Shakhov B.Е., Mukhin А.S., Frolov I.А., Barinova М.K., Sharabrin Е.G. Using an artificial neural network to predict coronary microvascular obstruction (no-reflow phenomenon) during percutaneous coronary interventions in patients with myocardial infarction. Sovremennye tehnologii v medicine 2021; 13(6): 6, https://doi.org/10.17691/stm2021.13.6.01.
17. Li S., Liu B., Li S., Zhu X., Yan Y., Zhang D. A deep learning-based computer-aided diagnosis method of X-ray images for bone age assessment. Complex Intell Systems 2022; 8(3): 1929–1939, https://doi.org/10.1007/s40747-021-00376-z.
18. Greenspan H., Hayit G., van Ginneken B., Summers R.M. Guest editorial deep learning in medical imaging: overview and future promise of an exciting new technique. IEEE Trans Med Imaging 2016; 35(5): 1153–1159, https://doi.org/10.1109/tmi.2016.2553401.
19. Huang G., Liu Z., Van Der Maaten L., Weinberger K.Q. Densely connected convolutional networks. In: Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition. Honolulu, HI; 2017; p. 4700–4708, https://doi.org/10.1109/cvpr.2017.243.
20. Tan M., Le Q.V. EfficientNet: rethinking model scaling for convolutional neural networks. In: Proceedings of the 36th International Conference on Machine Learning. ICML; 2019; p. 6105–6114, http://proceedings.mlr.press/v97/tan19a.html.
21. Список программ по анализу изображений с сайта 1mgmu.com. URL: http://1mgmu.com/nau/spisokizo.html.
22. Ковалев А.В., Аметрин М.Д., Золотенкова Г.В., Гера­­симов А.Н., Горностаев Д.В., Полетаева М.П. Су­дебно-медицинское определение возраста на основе анализа КТ-сканограмм черепа и краниовертебральной области в сагиттальной проекции. Судебно-медицинская экспертиза 2018; 61(1): 21–27, https://doi.org/10.17116/sudmed201861121-27.

Zolotenkova G.V., Valetov D.K., Poletaeva M.P., Vassilevski Yu.V. Experience of Using Neural Networks to Assess Age-Related Changes in Some Structures of the Skull and Cervical Vertebrae Based on СТ Scans (Pilot Project). Sovremennye tehnologii v medicine 2024; 16(2): 29, https://doi.org/10.17691/stm2024.16.2.03