Установление возраста живого лица представляет собой область научного и практического интереса разных разделов медицины. В клинических кейсах оценка биологического возраста может быть востребована для сравнительного сопоставления костного и хронологического возраста в рамках диагностики ряда заболеваний. В спортивной медицине она используется для проверки соответствия заявленных спортсменов возрастной группе (борьба с «возрастным допингом») [1]. В судебной медицине возраст живых лиц определяется в случаях, когда он имеет юридическое значение. В частности, для уголовного судопроизводства имеет принципиальное значение достижение лицом следующего возраста: 14, 16, 18 лет [2]. В многочисленных исследованиях отмечена диагностическая значимость исследования эпифизарной линии для установления возраста [1—5]. Особенно если речь идет об определении конкретных возрастных границ, в частности при решении вопроса: исполнилось ли подэкспертному 18 лет [2—7]. Рентгеновские снимки коленного сустава являются оптимальным объектом подобного исследования, так как позволяют оценить сразу 3 эпифизарные линии: дистального эпифиза бедренной кости (БК), проксимальных эпифизов большеберцовой (ББК) и малоберцовой (МБК) костей [6, 7, 9—11].

Перспективным направлением развития научных исследований в этой области является использование современных цифровых методов, обеспечивающих максимальную визуализацию изучаемого участка: компьютерной томографии (КТ) и магнитно-резонансной томографии [5, 8—10] с последующей их оценкой с помощью интеллектуального анализа [12, 13]. В отечественной и зарубежной литературе отсутствуют сведения о возможностях оценки хронологического возраста детей, подростков и молодых людей посредством исследования зоны роста (эпифизарных линий) на КТ-снимках коленного сустава. Вместе с тем КТ имеет ряд уникальных особенностей, повышающих доказательную базу проводимого исследования: отсутствие на КТ-изображении теней и помех вследствие неоднородности тканей; возможность различать ткани, незначительно отличающиеся друг от друга по плотности, и ряд других. Следовательно, объем информации КТ-снимка значимо больше, чем обычной рентгенограммы. Учитывая высокий потенциал ошибок и предвзятости, возникающих при использовании традиционных методов оценки возраста, мы предположили, что автоматическое (на основе искусственного интеллекта) выделение возрастной группы позволит устранить субъективные аспекты.

Цель исследования — изучить возможность использования методов глубокого обучения для классификации возрастной группы (с пороговым значением 18 лет) по КТ-изображениям коленного сустава.

Материал и методы

Для достижения поставленной цели была произведена оценка возраста эпифизарного сращения дистального эпифиза БК, проксимальных эпифизов ББК и МБК в российской популяции и использованы нейросети для решения классификационных задач. Объектами ретроспективного исследования послужили обезличенные КТ-снимки коленного сустава, выполненные в отделениях лучевой диагностики НМИЦ ТО им. Н.Н. Приорова, НИИ травматологии и ортопедии им. Р.Р. Вредена в период с 2018 по 2021 г. Протокол исследования одобрен Этическим комитетом Сеченовского Университета (протокол №01-21 от 22.01.21). Мультиспиральную КТ (МСКТ) выполняли на спиральных 64-срезовых компьютерных томографах: LightSpeed VCT («GE Medical Systems»); Siemens Definition AS 64; использовали стандартную программу с толщиной среза 0,625 мм. В исследование были включены КТ-снимки 445 лиц с известным хронологическим возрастом от 13 до 24 лет (табл. 1). Критериями невключения являлись аномалии развития и повреждения колена, признаки общей патологии соединительной ткани. Показатели физического развития, физической активности, социально-экономический статус в исследовании не учитывали.

Таблица 1. Демографические данные (распределение по возрасту и полу) субъектов исследования

Дистальный эпифиз БК, проксимальные эпифизы ББК и МБК оценивали раздельно по стадиям согласно методике R. Cameriere [6, 7]. Оценки 0, 1, 2 балла были присвоены I, II, III стадиям соответственно. При I стадии эпифизарное слияние отсутствует, рентгенопрозрачная хрящевая пластина отделяет эпифиз от диафиза (0 баллов) (рис. 1, а); II стадия (стадия активного слияния диафиза и эпифиза) представлена рентгеноплотной линией сращения между ними (эпифизарное сращение, эпифизарный рубец); к этой же стадии относились случаи неполного сращения, с рентгенопрозрачными участками на боковых (латеральных и медиальных) поверхностях (1 балл) (см. рис. 1, б); III стадия — полное сращение, разная степень видимости эпифизарного рубца, эпифизарная оссификация (2 балла) (см. рис. 1, в). Производили подсчет общего балла эпифизарного сращения (СБ, 0—6), который представлял собой сумму баллов дистального эпифиза БК и проксимальных эпифизов ББК и МБК, полученных при их раздельном исследовании.

Рис. 1. МСКТ коленного сустава: стадии окостенения дистального эпифиза бедренной кости и проксимального эпифиза большеберцовой кости.

а — I стадия; б — II стадия; в — III стадия.

В работе участвовали 2 исследователя, для оценки согласованности между ними использовали коэффициент каппа Коэна (κ).

Статистический анализ полученных данных выполняли с использованием программ Microsoft Excel и IBM SPSS Statistics 21. Производили расчет среднего значения (Mean) стандартного отклонения (SD), минимального (Min) и максимального (Max) значений, медианы (Median), коэффициента корреляции (r), t-критерия Стьюдента; за уровень значимости принимали p<0,001.

Также для решения задачи установления возраста применяли методы машинного обучения — нейронные сети. Рассматривали задачу бинарной классификации (0—18 лет против 18+ лет). Использовали осреднение предсказаний для каждой двумерной классификационной подзадачи фронтального сечения колена; наиболее частое предсказание являлось итоговым ответом. Для решения задач классификации двумерных изображений были протестированы три нейросетевые архитектуры: Resnet101, Densenet121, Efficientnet-b0 [14—16]. Поскольку данные характеризовались неравномерным распределением по возрасту, применяли стратегию случайного выбора с равной вероятностью объектов каждого класса во время обучения. Для снижения колебания метрик оценки нейросетей выполняли перекрестную проверку модели с разбивочным числом, равным 5. Обучение осуществляли в два этапа. На 1-м этапе обучали по одной модели каждой архитектуры (Resnet101, Densenet121, Efficientnet-b0). На этом этапе подбирали оптимальное число эпох обучения из диапазона (10; 50) по значению метрики F1 (гармоническое среднее точности и полноты). На 2-м этапе для лучшей по метрике F1 модели обучали еще 4 модели этой же архитектуры для ансамблирования. Ансамблирование позволяет снизить дисперсию предсказания. Для оценки точности и эффективности решаемой задачи классификации использовали визуализацию данных — матрицу ошибок. В настоящей работе матрица ошибок была представлена таблицей с 4 различными комбинациями прогнозируемых и фактических значений. Сумма чисел во всех клетках равна размеру датасета. Столбцы представляли фактические значения целевой переменной (настоящий класс), строки — прогнозируемые значения (предсказанный класс).

Результаты и обсуждение

Были проанализированы 445 МСКТ-снимков коленных суставов субъектов в возрасте от 13 до 24 лет, из которых 45% составили лица женского пола (средний возраст 18,2 года) и 55% — мужского пола (средний возраст 18,7 года).

В настоящем исследовании κ-критерий Коэна показал хорошую воспроизводимость между наблюдателями: κ=0,83 (для БК), κ=0,81 (для ББК), κ=0,79 (для МБК).

На основании статистического анализа была установлена сильная корреляционная связь между стадиями сращения и возрастом как для отдельной кости, так и для суммарного балла (табл. 2). Сила корреляционной связи суммарного балла эпифизарных сращений по трем костям оказалась больше, чем при раздельной оценке. Такая закономерность прослеживалась у субъектов обоих полов. При этом у мужчин корреляция с возрастом была более выраженной, чем у женщин, за исключением МБК. При раздельной оценке у мужчин самая сильная положительная корреляция была зафиксирована между возрастом и дистальным эпифизом БК, у женщин — проксимальным эпифизом МБК.

В настоящем исследовании в проксимальном эпифизе МБК эпифизарное сращение (II стадия) наступало несколько позже, однако сроки эпифизарной оссификации (III стадия) не имели достоверных различий между исследуемыми костями.

Возраст наступления полного эпифизарного слияния, эпифизарной оссификации (III стадия) имел статистические различия между мужчинами и женщинами (табл. 3). У женщин данная стадия наступала раньше.

Суммарный балл увеличивается с возрастом как у мужчин, так и у женщин (см. рис. 2).

Таблица 2. Статистические показатели стадий эпифизарного сращения: распределение по полу и области исследования; корреляционная связь стадий сращения с возрастом

Примечание. Здесь и в табл. 3: БК — бедренная кость; ББК — большеберцовая кость; МБК — малоберцовая кость; СБ — суммарный балл эпифизарного сращения.

Средний возраст лиц мужского пола с суммарным баллом «0» составил 13,98±0,64 года; «1» — 15,11±0,42; «2» — 15,44±0,78; «3» — 16,73±0,67; «4» — 17,82±0,26; «5» — 18,2±0,23; «6» — 21,37±1,96. Средний возраст лиц женского пола с суммарным баллом «0» составил 13,46±0,33 года; «1» — 15,28±0,65; «2» — 15,07±0,72; «3» — 16,7±0,7; «4» — 17,39±0,59; «5» — 18,19±0,2; «6» — 20,89±1,98 года.

Таким образом, суммарный балл по трем костям, равный «0», был установлен у лиц моложе 18 лет. У всех пациентов моложе 18 лет эпифизарный рубец отсутствовал во всех трех исследуемых костях (см. табл. 2). Установленный при КТ-исследовании суммарный балл, равный 5, позволяет отнести подэкспертное лицо к возрастной группе старше 18 лет. Подобный результат был получен при тестировании аналогичной методики на итальянской популяционной выборке [7]. В исследовании, выполненном на египетской популяции, диагностическим был признан суммарный балл, равный 6 [11].

Рис. 2. Блочная диаграмма суммарного балла и хронологического возраста с разметкой усредненного значения, межквартильных диапазонов, минимального и максимального возраста для каждого значения суммарного балла.

Установлено, что уменьшение видимости эпифизарной линии положительно связано с возрастом. Именно статистически значимая корреляция между возрастом и стадией созревания эпифизарной линии, выраженной в баллах, была положена в основу применения нейросетевых методов для определения возраста по КТ-снимкам колена.

Таблица 3. Сравнение возраста стадии эпифизарного сращения у мужчин и женщин

Оптимальное число эпох (циклов обучения нейронных сетей по доступным данным) равно 30. Лучшие результаты в задаче бинарной классификации были получены с помощью модели Resnet101 с осредненным по классам значением F1, равным 0,87, на тестовых данных. Матрицы метрик качества для обучающей и тестовой выборки (одной из кроссвалидационных выборок) отображены на рис. 3. Представленные матрицы ошибок наглядно демонстрируют, что нейросеть архитектуры Resnet101 отлично определяет объекты взрослого возраста на обучающей выборке и достаточно хорошо — на тестовой выборке. На тренировочной выборке (см. рис. 3, а) алгоритм успешно переобучился и правильно определил лиц как моложе 18 лет (85 субъектов), так и старше этого возраста (77 субъектов). На тестовой выборке (рис. 3, б) прогнозируемое значение (предсказанный класс) соответствовало фактическому значению (настоящему классу) в 62 случаях из 72 (общее количество тестовой выборки). В 25 случаях из 32 алгоритм правильно определил лиц моложе 18 лет и в 37 случаях из 40 — старше 18 лет. Качество работы алгоритма представлено в табл. 4 и 5. Учитывая, что распределение по возрастам неравномерно, а размер обучающего датасета не столь велик, полученную точность можно считать более чем приемлемой.

Рис. 3. Матрицы ошибок для обучающей и тестовой выборки.

а — матрица ошибок для обучающей выборки; б — матрица ошибок для тестовой выборки. «0» — возрастная группа моложе 18 лет; «1» — возрастная группа 18 лет и старше.

Таблица 4. Кроссвалидированные метрики одной модели Resnet101

Таблица 5. Кроссвалидированные метрики ансамбля моделей Resnet101

На основании сравнения кроссвалидационных метрик одной модели Resnet101 (см. табл. 4) и ансамбля моделей (см. табл. 5) был сделан вывод о предпочтительном использовании для задачи бинарной классификации ансамбля моделей. Это позволило приподнять все метрики на тестовой выборке, что можно видеть в табл. 4 и 5.

Таким образом, полученные результаты доказывают эффективность использования в работе алгоритмов машинного обучения (в частности, классической нейросетевой архитектуры Resnet101) для решения задачи классификации: определения целевой возрастной группы. Среднее гармоническое точности и полноты определения заданной возрастной группы для бинарной классификации составляет 0,88.

Заключение

Любой из существующих в арсенале судебно-медицинских экспертов методов оценки возраста будет содержать определенную степень ошибки [17]. Поэтому на протяжении десятилетий исследователи осуществляют поиск лучших маркеров анатомического роста, которые могли бы обеспечить максимально надежную оценку хронологического возраста. Одним из таких биомаркеров является показатель эпифизарной зрелости.

В настоящее время имеется ряд публикаций, отмечающих низкую воспроизводимость существующих методик оценки эпифизарной зрелости из-за сложности дифференциации стадий и, как прямое следствие, высокий процент ошибок при повторной экспертной оценке [18, 19]. Реализованный в настоящей статье инновационный подход — использование интеллектуального анализа данных (нейросетевых технологий) для оценки возраста по МСКТ коленного сустава — способен устранить указанные недостатки.

В ходе проведенного исследования была установлена сильная корреляционная связь стадий метаэпифизарного соединения костей, различимых на МСКТ-снимках коленного сустава, с хронологическим возрастом и доказана возможность использования алгоритмов машинного обучения (в частности, нейросетей) для решения задачи классификации: определения целевой возрастной группы. Точность классификации субъектов как несовершеннолетних или взрослых, принимая возраст 18 лет в качестве порога взрослости, составила 0,88 для бинарной классификации. Предложенный метод позволяет устранить недостатки в исследованиях при «ручной» оценке КТ-изображений, касающиеся внутри- и межэкспертной вариабельности, разночтения при определении стадий.

Проведенное исследование также способствует увеличению сопоставимой популяционной базы данных; доказывает применимость и воспроизводимость системы стадирования R. Cameriere и соавт. [6] и I. Galić и соавт. [7] на российской популяционной выборке.

В последующем для получения более подробной информации о возможности использования КТ-снимков колена для судебно-медицинской оценки возраста планируется проведение сравнительных исследований, включающих комбинацию разных систем стадирования и введение метрических характеристик для объективизации стадий возрастных преобразований эпифизарной линии. Подобная количественная оценка позволит разработать оценочные уравнения прогнозирования хронологического возраста подэкспертного лица.

Авторы заявляют об отсутствии конфликта интересов.