МНОГОЗАДАЧНОЕ ГЛУБОКОЕ ОБУЧЕНИЕ ДЛЯ КЛАССИФИКАЦИИ ПАТОЛОГИЙ КОЛЕНА ПО МРТ

Аннотация

Актуальность. Магнитно-резонансная томография (МРТ) является основным неинвазивным методом диагностики внутренних повреждений коленного сустава, однако ручной анализ многопроекционных изображений требует значительных временных затрат и характеризуется вариабельностью оценок специалистов, особенно при диагностике разрывов передней крестообразной связки (ПКС) и мениска. Большинство существующих подходов используют отдельную модель для каждой патологии, что ограничивает использование общих анатомических признаков. Цель. Разработать и оценить единую многозадачную многопроекционную модель глубокого обучения, способную классифицировать три патологии коленного сустава по данным МРТ за один проход. Методы. На основе общедоступной части набора данных MRNet, включающей 1 250 исследований в аксиальной, корональной и сагиттальной проекциях, разработана архитектура Multi-View Multi-Task MRNet (MVMT-MRNet). Общий для всех трех проекций базовый модуль ResNet50 кодирует каждую проекцию, признаки срезов агрегируются посредством максимального пулинга, а модуль позднего слияния передает полученное представление трем классификационным головкам. Общедоступная валидационная выборка из 120 исследований использовалась в качестве тестовой. Обучение включало аугментацию данных, взвешенную по классам бинарную кросс-энтропию, смешанную точность и накопление градиентов по восьми исследованиям при скорости обучения 8 × 10⁻⁵. Модель сравнивалась с тремя однозадачными моделями идентичной архитектуры. Результаты. На тестовой выборке многозадачная модель достигла AUC 0,844 (95% ДИ: 0,752–0,922) при выявлении общей патологии, 0,914 (0,857–0,959) при разрыве ПКС и 0,664 (0,567–0,757) при разрыве мениска; средний AUC составил 0,807 (0,749–0,860). Однозадачные модели продемонстрировали средний AUC 0,853 (0,802–0,897). Парная разность −0,046 (−0,115…+0,015) включала ноль, однако при выявлении разрыва мениска многозадачная модель показала статистически значимо более низкий результат (−0,126; −0,231…−0,020). Практическая значимость. Единая модель содержит 25,3 млн параметров вместо 75,8 млн и выполняет один проход вместо трех. Она может быть обучена на одном потребительском GPU и демонстрирует сопоставимый с тремя однозадачными моделями средний AUC. Вместе с тем совместное использование параметров перераспределяет точность между задачами, а не обеспечивает ее равномерное повышение. Перед клиническим применением необходима внешняя валидация.