AUTOMATED MORPHOMETRY APPLICABILITY FOR ASSESSMENT OF BRAIN DAMAGE IN MULTIPLE SCLEROSIS USING MAGNETIC RESONANCE IMAGING

The article aims to examine the applicability of automated morphometry based on artificial intelligence (AI) technologies for assessing brain damage progression in multiple sclerosis (MS) using magnetic resonance imaging (MRI). The research defines the dependence of the demyelination lesions extent on age, sex, and monitoring period, as well as compares the clinical effectiveness of two artificial intelligence services. The authors analyze the retrospective data of 142 patients diagnosed with MS. The selection criteria include age ≥ 18, brain MRI with contrast agents ≥ 3 (at regular intervals ≥ 6 months). The paper studies two AI-services, i.e. IMV-MS and NtechMed MRI Brain, which are integrated into the Unified Radiological Information Service. The analysis comprises the mixed-effects model given the following characteristics: age, monitoring period, and artificial intelligence services processing the disease progression. The extent of the demyelination lesions has significantly decreased over time (44.5 mm3/month on average, p < 0.001). The one-year age increase is associated with the 434.2 mm3 (p = 0.001) increase in lesion volume. Sex has no influence on disease progression (p > 0.05). The study has shown statistically significant differences between AI-services in the disease progression assessment (β = 39.9; p = 0.005), which indicates the necessity of algorithm standardization. The AI-based automated morphometry is a promising research area for an objective evaluation of multiple sclerosis progression using magnetic resonant imaging. The research results confirm its applicability in clinical practice. Nevertheless, the diversity of data provided by the AI-services requires strict quality control, clinical validation, and post-registration monitoring.

1. Бойнова И. В., Самарина Д. В., Каторова А. В. и др. Клинико-эпидемиологические особенности рассеянного склероза в Российской Федерации // Современные проблемы науки и образования. 2022. № 5. https://doi.org/10.17513/spno.32006.

2. Черняева Г. Н., Морозов С. П., Владзимирский А. В. Качество алгоритмов искусственного интеллекта для выявления признаков рассеянного склероза на магнитно-резонансных томограммах (систематический обзор) // Анналы клинической и экспериментальной неврологии. 2021. Т. 15, № 4. С. 54–65.

3. Гранатов Е. В., Хабиров Ф. А., Хайбуллин Т. И. Характеристика и динамика патологических изменений зрительных вызванных потенциалов при рассеянном склерозе // Журнал неврологии и психиатрии им. С. С. Корсакова. 2023. Т. 123, № 7–2. С. 88–95. https://doi.org/10.17116/jnevro202312307288.

4. Absinta M., Sati P., Masuzzo F. et al. Association of chronic active multiple sclerosis lesions with disability in vivo // JAMA Neurology. 2019. Vol. 76, no. 12. P. 1474–1483. https://doi.org/10.1001/jamaneurol.2019.2399.

5. Afzal H. M. R., Luo S., Ramadan S. et al. The emerging role of artificial intelligence in multiple sclerosis imaging // Multiple Sclerosis. 2022. Vol. 28, no. 6. P. 849–858. https://doi.org/10.1177/1352458520966298.

6. Зарубина Н. В., Спирин Н. Н. Динамика развития депрессивных нарушений у больных с рассеянным склерозом // Евразийский союз ученых. 2020. № 7–5. С. 31–38.

7. Морозов С. П., Павлов Н. А., Петряйкин А. В. и др. MosMedData: набор диагностических магнитно-резонансных изображений головного мозга с наличием и отсутствием признаков рассеянного склероза : свидетельство о государственной регистрации базы данных 2022621197 Рос. Федерация № 2022621099 ; заявл. 11.05.2022 ; опубл. 25.05.2022.

8. Федулов А. С., Зафранская М. М., Борисов А. В. и др. Динамика иммунологических показателей пациентов с рассеянным склерозом после пересадки аллогенных мезенхимальных стволовых клеток // Медицинский журнал. 2023. № 3. С. 138–144. https://doi.org/10.51922/1818-426X.2023.3.138.

9. Дегтярев И. Ю., Завадовская В. Д., Куражов А. П. и др. Современные возможности магнитно-резонансной диагностики рассеянного склероза. Обзор литературы // Бюллетень сибирской медицины. 2024. Т. 23, № 1. С. 116–125. https://doi.org/10.20538/1682-0363-2024-1-116-125.

10. Захаров А. В., Широлапов И. В., Хивинцева Е. В. и др. Автоматическая сегментация очагов демиелинизации при рассеянном склерозе // Наука и инновации в медицине. 2024. Т. 9, № 4. С. 284–290. https://doi.org/10.35693/SIM636947.

11. Васильев Ю. А., Алымова Ю. А., Арзамасов К. М. и др. Искусственный интеллект в лучевой диагностике: Per Aspera Ad Astra. М. : Издательские решения, 2025. 491 с.

12. Николаев И. С., Шамтиева К. В., Пугачев А. Ю. и др. Ранние исходы аутологичной трансплантации гемопоэтических стволовых клеток у пациентов с ремиттирующим типом течения рассеянного склероза // Вестник Национального медико-хирургического центра им. Н. И. Пирогова. 2022. Т. 17, № 4. С. 81–85. https://doi.org/10.25881/20728255_2022_17_4_2_81.

13. Васильев Ю. А., Владзимирский А. В., Арзамасов К. М. и др. Компьютерное зрение в лучевой диагностике: первый этап Московского эксперимента : моногр. 2-е изд., перераб. и доп. Б. м. : Издательские решения, 2023. 376 с.

14. Тучинов Б. Н., Суворов В., Моторин К. О. и др. Применение алгоритма компьютерного зрения для определения очагов демиелинизации при рассеянном склерозе на МРТ-изображениях // Сибирский научный медицинский журнал. 2024. Т. 44, № 1. С. 107–115. https://doi.org/10.18699/SSMJ20240111.

15. Байдина Т. В., Сурсякова Н. В., Данилова М. В. и др. Динамика интерлейкина‑17 у пациентов с рассеянным склерозом и двухфазная модель патогенеза заболевания // Пермский медицинский журнал. 2021. Т. 38, № 4. С. 48–53.

16. Amin M., Martínez-Heras E., Ontaneda D. et al. Artificial intelligence and multiple sclerosis // Current Neurology and Neuroscience Reports. 2024. Vol. 24, no. 8. P. 233–243. https://doi.org/10.1007/s11910-024-01354-x.

17. Андреева М. А., Федулов А. С., Карапетян Г. М. и др. Диагностические возможности 3D визуализации в оценке динамики очагов демиелинизации при рассеянном склерозе // Успехи современной клинической неврологии и нейрохирургии : сб. материалов XVIII Республиканской науч.-практич. конф. с междунар. участием для молодых специалистов, 17 мая 2019 г., г. Гродно. Гродно : Гродненский государственный медицинский университет, 2019. С. 7–8.

18. Лорина Л. В., Грязнова П. А., Миранда А. А. Прогнозирование течения рассеянного склероза на основании клиники и МРТ-морфометрии // Наука молодых. 2017. Т. 5, № 3. С. 416–427.

19. Лебедев В. М., Кузьминых Е. Д. Первый опыт применения дивозилимаба для лечения пациентов с рассеянным склерозом в повседневной клинической практике // Журнал неврологии и психиатрии им. С. С. Корсакова. 2024. Т. 124, № 7–2. С. 91–95. https://doi.org/10.17116/jnevro202412407295.

20. Коптева Ю. П., Агафьина А. С., Труфанов Г. Е. и др. Магнитно-резонансная томография коннектома в оценке результатов нейрореабилитации у пациентов с рассеянным склерозом // Российский журнал персонализированной медицины. 2023. Т. 3, № 1. С. 43–53. https://doi.org/10.18705/2782-3806-2023-3-1-43-53.

21. Filippi M., Preziosa P., Barkhof F. et al. The ageing central nervous system in multiple sclerosis: The imaging perspective // Brain. 2024. Vol. 147, no. 11. P. 3665–3680. https://doi.org/10.1093/brain/awae251.

22. Haki M., Al-Biati H. A., Al-Tameemi Z. S. et al. Review of multiple sclerosis: Epidemiology, etiology, pathophysiology, and treatment // Medicine (Baltimore). 2024. Vol. 103, no. 8. https://doi.org/10.1097/MD.0000000000037297.

23. Федулов А., Карапетян Г., Косик И. и др. Технологии искусственного интеллекта в мониторинге патоморфологических изменений центральной нервной системы при рассеянном склерозе // Наука и инновации. 2023. № 2. С. 75–83. https://doi.org/10.29235/1818-9857-2023-02-75-83.

24. Kolb H., Al-Louzi O., Beck E. S. et al. From pathology to MRI and back: Clinically relevant biomarkers of multiple sclerosis lesions // NeuroImage: Clinical. 2022. Vol. 36. https://doi.org/10.1016/j.nicl.2022.103194.

25. Krajnc N., Bsteh G., Berger T. Clinical and paraclinical biomarkers and the hitches to assess conversion to secondary progressive multiple sclerosis: A systematic review // Frontiers in Neurology. 2021. Vol. 12. https://doi.org/10.3389/fneur.2021.666868.

26. Uher T., Krasensky Ja., Malpas Ch. et al. Evolution of brain volume loss rates in early stages of multiple sclerosis // Neurology: Neuroimmunology and Neuroinflammation. 2021. Vol. 8, no. 3. https://doi.org/10.1212/NXI.0000000000000979.

27. Теренин М. А., Жишкевич А. М. Преимущества 3D-интерпретации результатов МРТ-исследования для анализа динамики патологического процесса при рассеянном склерозе // Молодой ученый. 2016. № 8. С. 434–437.

28. Тултаева М. В., Бойнова И. В., Токарева Н. Г. Динамика клинической симптоматики у больных с рассеянным склерозом на фоне специфической терапии // Современные проблемы науки и образования. 2024. № 4.

29. Preziosa P., Pagani E., Meani A. et al. Slowly expanding lesions predict 9-year multiple sclerosis disease progression // Neurology: Neuroimmunology and Neuroinflammation. 2022. Vol. 9, no. 2. https://doi.org/10.1212/NXI.0000000000001139.

30. Попов В. В., Станкевич Ю. А., Василькив Л. М. и др. Бесконтрастное количественное исследование перфузионных изменений головного мозга при рассеянном склерозе // Digital Diagnostics. 2024. Т. 5, № S1. С. 86–88. https://doi.org/10.17816/DD625953.