УДК 616.72-002.771

И.Ф. ФАЙРУШИНА^{1, 2}

 ¹Казанский государственный медицинский университет МЗ РФ, г. Казань

²Республиканская клиническая больница МЗ РФ, г. Казань

 Контактная информация:

Файрушина Ирина Фанзиловна — к.м.н., ассистент кафедры госпитальной терапии, врач-ревматолог, врач ультразвуковой диагностики

Адрес: 420012, г. Казань, ул. Бутлерова, 49, тел.: +7-987-186-26-56, e-mail: sirenif@mail.ru

 В статье представлен анализ применения искусственного интеллекта (ИИ) для совершенствования ультразвуковой (УЗ) диагностики патологий суставов и мягких тканей при ревматических заболеваниях (РЗ). Актуальность исследования обусловлена растущей распространенностью РЗ и необходимостью повышения точности диагностики. Методологическая база включает анализ применения алгоритмов машинного (МО) и глубокого обучения (ГО) в УЗ-диагностике. Рассматриваются ключевые направления использования ИИ: автоматизированная сегментация изображений, диагностика синовита, оценка состояния сухожилий и хрящей. Основные результаты демонстрируют высокий потенциал дальнейшего внедрения методов анализа сонограмм с применением моделей ИИ. Практическая значимость работы заключается в демонстрации потенциала ИИ для стандартизации и повышения точности УЗ-диагностики. В статье представлены особенности клинического применения ИИ-систем в оценке синовита, патологии сухожилий, хрящей, а также таких РЗ, как остеоартрит и подагра. Определены ключевые направления развития: стандартизация ИИ-решений, расширение баз данных, интеграция ИИ в клиническую практику.

Ключевые слова: искусственный интеллект, ультразвуковая диагностика, синовит, ревматические заболевания, машинное обучение.

 

I.F. FAYRUSHINA^{1, 2}

 ¹Kazan State Medical University, Kazan

²Republic Clinical Hospital, Kazan

 Artificial intelligence potential in ultrasound diagnostics of joints and soft tissue in rheumatic diseases

 Contact details:

Fayrushina I.F. — PhD (Medicine), Assistant Lecturer of the Department of Hospital Therapy, rheumatologist, ultrasound specialist

Address: 49 Butlerov St., 420012 Kazan, Russian Federation, tel.: +7-987-186-26-56, e-mail: sirenif@mail.ru

The article presents an analysis of the use of artificial intelligence (AI) for the ultrasound (US) diagnostics of joint and soft tissue pathologies in rheumatic diseases (RDs). The study is relevant due to the growing prevalence of RDs and the need to improve diagnostic accuracy. The methodology includes analyzing machine and deep learning algorithms in US diagnostics. The main areas of AI application are discussed: automated image segmentation, synovitis diagnostics, and tendon and cartilage assessment. Key findings demonstrate the high potential of sonogram analysis by AI-models. The practical significance of the study lies in showing the AI ability to standardize and improve the US diagnostics accuracy. The article describes the application of AI for diagnosing synovitis, including tendons and cartilage, as well as RDs such as osteoarthritis and gout. Key development areas include standardization of AI solutions, database expansion, and integration of AI into clinical practice.

Key words: artificial intelligence, ultrasound diagnostics, synovitis, rheumatic diseases, machine learning.

 

В контексте современных биомедицинских исследований особое значение приобретает поиск новых диагностических «мишеней» с применением технологий ИИ, что является одним из приоритетных направлений для развития медицины XXI в. [1]. Внедрение ИИ в клиническую практику демонстрирует значимые результаты: в ряде диагностических задач его точность сопоставима с экспертной оценкой врача или даже превосходит ее. Расширение применения ИИ в медицине, подкрепленное ростом инвестиций и интенсификацией научных исследований, открывает перспективы для существенного повышения качества медицинской помощи и стимулирования технологических инноваций в здравоохранении [2].

В настоящее время накоплен значительный объем научных данных о применении ИИ в различных аспектах ведения пациентов с заболеваниями опорно-двигательного аппарата — от диагностики и терапии до профилактики и реабилитации [3].

В последние годы в Российской Федерации, согласно данным эпидемиологических исследований, отмечается устойчивый рост распространенности РЗ [4]. В ревматологии технологии ИИ активно интегрируются в ключевые клинические процессы: раннюю диагностику РЗ, прогнозирование динамики патологического процесса, персонализированный подбор терапевтических стратегий. Объектами применения ИИ выступают такие нозологический формы, как ревматоидный артрит (РА), спондилоартриты, системная красная волчанка и остеоартрит.

Анализ современных исследований свидетельствует о высокой эффективности ряда методологических подходов, в частности сверточных нейронных сетей (CНС), мультиомных аналитических стратегий и адаптивных прогностических моделей. Их диагностическая и прогностическая точность подтверждается высокими значениями площади под ROCкривой (AUC), достигающими 0,85 [5].

УЗ-исследование (УЗИ) занимает важное место в ревматологической практике, несмотря на операторзависимый характер метода. Ценность УЗИ подтверждена для широкого спектра РЗ (РА, спондилоартритов и кристаллических артропатий). В этой области активно разрабатываются и внедряются ИИ-решения, способные повысить точность УЗ-оценки, включающие автоматизированный сбор и интерпретацию изображений, разметку анатомических ориентиров, измерение и количественную оценку, навигацию по позиционированию датчика, интерпретацию эластографии, слияние изображений с данными других методов визуализации [6, 7].

Дополнительные перспективы открывает применение ИИ для количественной оценки воспалительных и структурных изменений суставов и мягких тканей, повышения точности локальной инъекционной терапии и оптимизации диагностических манипуляций за счет детальной анатомической разметки [8, 9].

Цель настоящего обзора — проанализировать современные исследования, посвященные применению методов МО при УЗИ, с особым акцентом на их использование в диагностике патологий суставов и мягких тканей при РЗ, что потенциально способно увеличить перспективы эффективности в клинической практике.

ИИ в медицинской визуализации: алгоритмы и применение в УЗ-диагностике

ИИ представляет собой совокупность компьютерных систем, способных выполнять когнитивные задачи, традиционно требующие участия человека. Ключевым направлением в рамках ИИ выступает МО — совокупность алгоритмических методов, обеспечивающих автоматизированное выявление закономерностей и формирование решений на основе анализа входных данных [7, 10].

Системы компьютерной помощи (СКП) в диагностике внедряются в клиническую практику более 20 лет. Первые радиологические исследования подтвердили их эффективность в выявлении и мониторинге неоплазм [10]. В последнее десятилетие отмечен экспоненциальный рост исследований, посвященных применению ИИ в медицинской визуализации, в том числе УЗ-диагностике [7, 11].

УЗИ является широкодоступным диагностическим методом. Качество УЗ-визуализации определяется уровнем профессиональной подготовки специалиста, техническими характеристиками УЗ-аппарата и условиями проведения исследования. Указанные факторы обусловливают значительную вариабельность в получении и интерпретации изображений. СКП позволяют частично нивелировать эти ограничения за счет повышения точности УЗ-оценки и воспроизводимости, а также предоставления альтернативного аналитического мнения при интерпретации изображений [7].

Ранние СКП базировались на алгоритмах МО. В контексте анализа визуализационных данных выделяют два основных класса моделей [7]: 1) обучение с учителем (предполагает формирование размеченного обучающего набора данных, где «золотой стандарт» определяется экспертной оценкой); 2) методы без учителя (модель обучается выявлять закономерности и скрытые взаимосвязи на наборах неразмеченных данных без контроля со стороны человека).

Ключевая особенность методов МО заключается в необходимости участия человека в выборе области интереса (ОИ) и ручном выделении признаков, повышая трудоемкость процесса. Эти ограничения стимулировали разработку моделей ГО, исключающих этап ручного выделения признаков [12]. Архитектура ГО включает множество скрытых слоев нейронных сетей, что обеспечивает реализацию сквозного обучения, при котором модель напрямую преобразует входные «сырые» данные в итоговый результат без промежуточных этапов ручной обработки и выделения признаков.

Обучение ГО-моделей, как правило, проводится «с учителем» и предполагает разделение данных на три группы: 1) обучающую; 2) валидационную; 3) тестовую, используемую для оценки обобщающей способности модели на новых данных [13].

СНС — основной инструмент обработки изображений. Их архитектура имитирует биологические механизмы зрительного восприятия и включает три типа слоев [7]: 1) сверточный (с помощью фильтров и операций свертки формирует карту активации и извлекает высокоуровневые признаки); 2) субдискретизации (оптимизирует вычисления, уменьшая пространственные размеры изображения за счет понижающей дискретизации); 3) полносвязный (выступает в роли классификатора, определяя класс изображения).

В контексте УЗ-диагностики опорно-двигательного аппарата модели МО ориентированы на сегментацию, диагностику и классификацию. На сегодняшний день область применения включает оценку синовиальной ткани, наличие/отсутствие синовита, исследование сухожилий и хрящей. В зависимости от поставленной задачи алгоритмы МО выполняют распознавание ОИ с последующей сегментацией для выделения контура анатомической структуры и диагностику — бинарную (да/нет) или многоклассовую классификацию (например, оценка степени синовита с помощью УЗИ) [14, 15]. Эффективность ранжирования изменений по степени зависит от качества исходных УЗ-изображений. В связи с этим предварительная обработка данных является обязательным этапом перед использованием алгоритмов МО.

Применение ИИ в УЗ-диагностике патологии суставов, хрящей и сухожилий

Одним из главных преимуществ УЗИ в диагностике суставного синдрома является возможность определения синовита и его степени [16].

В 2018 г. Mielnik P. и соавт. представили первое исследование по применению автоматической оценки степени синовита на УЗ‑изображениях мелких суставов кистей (57 пациентов с РА и ПсА). Методика включала аннотирование данных экспертами, сегментацию и улучшение изображений, выявление анатомических маркеров (костный/кожный контур, суставная щель, сухожилия) и определение гипертрофии синовиальной оболочки с классификатором (метод опорных векторов, 4 степени: 0–3). Ограничения исследования включают использование только серошкальных изображений, вариабельность УЗ‑картины при длительном артрите, сложности дифференциации синовита от теносиновита/сосудов, субъективность полуколичественной оценки, отсутствие оценки васкуляризации. Алгоритм продемонстрировал статистическую значимость (p = 3,9 × 10^–⁶), однако согласие алгоритм/эксперт (κ) оказалось ниже, чем эксперт/эксперт [17].

Nagao A. и соавт. разработали ИИ-систему для диагностики гемартроза и синовита у пациентов с гемофилией на основе анализа 3435 сонограмм. В основе решения — СНС с архитектурой VGG16. Обработка данных состояла из трех этапов: 1) извлечение признаков через СНС-модуль; 2) постобработка для выделения ОИ; 3) интерпретация с визуализацией тепловых карт (красный — максимальная значимость, синий — минимальная). Система показала высокие диагностические характеристики: AUC для синовита  ≥0,90, точность  ≥0,83, прецизионность  ≥0,74 [18].

Во многом сложности заключаются в процессе сегментации синовиальной оболочки сустава. В исследовании Radlak K. и соавт. использовался автоматический алгоритм с использованием метода роста областей с заданным начальным значением для сегментации синовиальной оболочки с различными методами фильтрации шума. Предложенная модель обеспечила высококачественный результат сегментации, при этом многие изображения демонстрировали перекрытие между автоматически обведенными областями синовита и областями, выделенными вручную [19]. В исследовании Karageorgos G.M. и соавт. разработан и валидирован подход на основе ГО для автоматизированной сегментации синовиальной оболочки сонограмм мелких суставов при РА. Использовались две архитектуры CНС, обученные на ограниченном наборе данных с использованием разреженных экспертных аннотаций. Для расширения обучающей выборки применялись стратегии аугментации (геометрические преобразования, шумовые аугментации) [20].

Позднее Qiu J и соавт. представили архитектуру нейронной сети Swin Transformers with Deep Attentive Features for 3D segmentation для автоматической сегментации синовиальной оболочки 3D-сонограмм суставов при РА, используя иерархическую структуру и механизм сдвиговых окон для извлечения многомасштабной контекстной информации. Результаты подтверждают потенциал метода для стандартизированной оценки РА по данным УЗИ [21].

Стандартизация УЗ-методов и критериев оценки активности синовита в рамках системы OMERACT EULAR (Outcome Measures in Rheumatology; European League Against Rheumatism) знаменует существенный прогресс в УЗ-диагностике активности артрита. В работе Andersen J. и соавт. исследована применимость СНС для анализа активности РА на допплеровских УЗ-изображениях с использованием балльной системы OMERACT‑EULAR [22]. Две нейросети выполняли бинарную классификацию («здоровый»/«пораженный» сустав) и градацию по степени васкуляризации (0–3). Полученные результаты демонстрируют перспективность применения ИИ для стандартизированной УЗ-оценки синовита [23].

В исследовании He X. и соавт. разработаны четыре модели на базе архитектуры ResNet для количественной оценки активности РА с использованием статических и динамических серошкальных и допплеровских изображений (n = 1244). Валидация выполнена на двух когортах (n = 152; n = 354); модели продемонстрировали значения AUC в диапазоне 0,74–0,95 и показали результаты, сопоставимые с оценками радиологов (внутриклассовый коэффициент корреляции (ВКК) 0,239–0,756). Динамические модели, в частности с применением энергетического допплера, превзошли статические по точности, превысив при этом показатели большинства опытных врачей [24].

В 2022 г. Frederiksen B.A. и соавт. представили результаты применения роботизированного УЗИ мелких суставов кистей и лучезапястных суставов у 25 пациентов с РА. В работе описана система Arthritis Ultrasound Robot (ARTHUR) — автоматизированное решение, включающее роботизированную манипуляционную руку и встроенную камеру для точного определения анатомических областей, автономного позиционирования стандартного УЗ-датчика над целевым суставом и получения высококачественных сонограмм. Статистически значимых различий между данными ARTHUR и результатами, полученными врачом, выявлено не было (p = 0,5) [25]. Позже Østergaard M. и соавт. оценили надежность и диагностическую эффективность системы ARTHUR с ИИ‑модулем DIANA (Diagnosis Aid Network for Rheumatoid Arthritis), основанным на критериях EULAR‑OMERACT [14] при оценке синовита у здоровых лиц и пациентов с РА. УЗИ выполнялось в режимах серой шкалы и цветового допплера с полуколичественной оценкой (0–3). Диагностическая точность для выявления артрита составила 59%. На текущий момент версии ARTHUR/DIANA (1.5.1/2.0.1) демонстрируют перспективность, однако не готовы к рутинному применению в клинической практике [26].

Модели сегментации сухожилий с компьютерной поддержкой изучались на предмет их клинической применимости. В исследовании Alzyadat T. и соавт. разработан автоматизированный метод сегментации тканей УЗ-изображений ахиллова сухожилия с применением CНС, продемонстрировав средний коэффициент Дайса 0,9, что свидетельствует о высокой точности алгоритма [27].

Ряд исследований подтвердили возможность внедрения СКП для автоматизированного выявления тендинопатии надостной мышцы [28], при этом модель на основе СНС была обучена и валидирована для классификации данной патологии с точностью 91% [29].

Еще одно практическое применение сегментации сухожилий — оценка сгибателей пальцев при стенозирующем лигаментите. Практический потенциал — формирование 3Dмоделей для обучения УЗнавигации при хирургическом лечении [30].

Ряд исследований посвящен визуализации мышц ротаторной манжеты (РМ). В работе Tang R. и соавт. разработана интеллектуальная система для автоматического распознавания стандартных плоскостей сканирования и сегментации тканей РМ плеча и прилегающих анатомических структур; достигнутая точность распознавания составила 94,9% [31]. Ho T.T. и соавт. провели исследование пациентов с болью в плече более 3 месяцев, нацеленное на автоматизированное выявление разрывов РМ: точность составила 88,2% [32]. В другом исследовании клиническая валидация подтвердила рост диагностической точности врачей с 80,9 до 88,9%, а также повышение межэкспертной согласованности с 0,49 до 0,71 при применении ИИ-ассистированной системы [33].

В пилотном исследовании Cipolletta E. и соавт. разработан алгоритм на базе СНС для отбора информативных сонограмм гиалинового хряща головки пястных костей. Продемонстрирована высокая согласованность ИИ/эксперт (0,84; 95% ДИ: 0,71–0,98), превысив показатели начинающих сонографов (0,63; 95% ДИ: 0,49–0,76), что свидетельствует о перспективности метода, в частности в обучении начинающих УЗ-диагностов [34]. В исследовании Shinohara I. и соавт оценена диагностическая точность трех моделей ГО для выявления повреждений триангулярного фиброзно-хрящевого комплекса запястья с помощью УЗИ (анализ 2000 изображений) [35].

Недавно опубликованы результаты классификации стадий дегенерации хрящей коленного сустава с применением ИИ, интегрирующей сегментацию, извлечение признаков и классификацию, демонстрируя 97% точность модели [36].

Важным УЗ-проявлением остеоартрита является наличие остеофитов. В исследовании Overgaard B.S. и соавт. описана сегментация сонограмм суставов кисти и оценки тяжести остеофитов по шкале EULAR OMERACT при остеоартрите с помощью ИИ (4615 изображений). При объединении данных по всем суставам согласованность составила PEA = 68% и PCA = 95%. [37].

Рост глобальной распространенности подагры актуализирует задачу совершенствования методов её диагностики. В исследовании Zhao Y. и соавт. разработана модель ГО для автоматизированной диагностики подагры с помощью оценки сонограмм 1-го плюснефалангового сустава. Модель интегрирует механизм внимания на уровне фрагментов изображения и многомасштабное выделение признаков, включая «двойной контур», тофусы, гиперэхогенные включения и костные эрозии. Валидация выполнена на данных 598 пациентов; точность составила 87,9%, чувствительность — 87,9%, специфичность — 87,9%, AUC — 93,43%. Модель формирует тепловые карты, локализующие патологические признаки, что повышает интерпретируемость результатов. Выделенные признаки демонстрируют хорошую согласованность с экспертной оценкой, подтверждая потенциал модели в УЗ-диагностике подагры [38].

Выводы

ИИ обладает существенным прикладным потенциалом в ревматологической практике, способствуя повышению диагностической точности и оптимизации терапевтических решений. В настоящее время изучение применения ИИ в УЗ-диагностике РЗ сосредоточено на анализе отдельных анатомических структур сустава (синовиальной оболочки, хряща, сухожилий) с использованием моделей МО и ГО. Вместе с тем накапливаются данные, свидетельствующие о возможности болезнь‑специфической диагностики, в частности при подагре. Указанные направления требуют дальнейшей разработки перед внедрением в клиническую практику. Успешная интеграция ИИтехнологий в систему здравоохранения требует комплекса мер, включающих разработку нормативно‑правовой базы, регламентирующей применение ИИ в медицине, организацию программ профессиональной переподготовки медперсонала в области цифровых технологий, модернизацию цифровой инфраструктуры медучреждений, а также формирование междисциплинарных коллабораций (клиницисты, биоинформатики, разработчики ИИ‑решений). Данный процесс ограничен необходимостью больших объемов данных для обучения моделей, потребностью во внешней валидации алгоритмов на независимых когортах пациентов, а также отсутствием унифицированных протоколов разработки и стандартизации ИИ‑решений.

Файрушина И.Ф.

0000-0002-5975-4822

Литература

1. Насонов Е.Л., Лила А.М. Достижения ревматологии в XXI в.: вклад российской ревматологии // Клиническая медицина. — 2024. — Т. 102, № — С. 197–204.
2. Ламоткин А.И., Корабельников Д.И., Ламоткин И.А. и др. Искусственный интеллект в здравоохранении и медицине: история ключевых событий, его значимость для врачей, уровень развития в разных странах // Фармакоэкономика. Современная фармакоэкономика и фармакоэпидемиология. — 2024. — Т. 17, № — С. 243–250.
3. Ушакова Ю.А. Применение искусственного интеллекта при заболеваниях опорно‑двигательного аппарата (обзор литературы) // Радиология — практика. — 2025. — № — С. 81–91.
4. Балабанова Р.М., Дубинина Т.В. Динамика пятилетней заболеваемости болезнями костно‑мышечной системы и их распространённости среди взрослого населения России за 2012–2017 гг. // Современная ревматология. — 2019. — Т. 13, № — С. 11–17.
5. Петрова Ю.В., Горемыкина М.В., Иванова Р.Л. и др. Возможности искусственного интеллекта в современной ревматологии. Обзор литературы // Наука и Здравоохранение. — 2025. — Т. 27, № — С. 236–244.
6. Sakellariou G., Giovannini I., Grignaschi S. et.al. New developments in ultrasound in rheumatology: innovative tools and promising applications // Clin. Exp. — 2021. — V. 39 (2). — P. 413–421.
7. Dinescu S.C., Stoica D., Bita C.E. et al. Applications of artificial intelligence in musculoskeletal ultrasound: narrative review // Front. (Lausanne). — 2023. — V. 10. — P. 1286085.
8. Gungor I., Gunaydin B., Som O. et al. A real‑time anatomy identification via tool based on artificial intelligence for ultrasound‑guided peripheral nerve block procedures: an accuracy study // J. Anesth. — 2021. — V. 35. — P. 591–594.
9. Huang C., Zhou Y., Tan W. et al. Applying deep learning in recognizing the femoral nerve block region on ultrasound images // Ann. Med. — 2019. — V. 7. — P. 453.
10. Tang X. The role of artificial intelligence in medical imaging research // BJR Open. — 2019. — V. 2. — P. 20190031.
11. Pesapane F., Codari M., Sardanelli F. Artificial intelligence in medical imaging: threat or opportunity? Radiologists again at the forefront of innovation in medicine // Eur. Exp. — 2018. — V. 2. — P. 35.
12. Shin Y., Yang J., Lee Y.H., Kim S. Artificial intelligence in musculoskeletal ultrasound imaging // Ultrasonography. — 2021. — V. 40. — P. 30–44.
13. Akkus Z., Cai J., HYPERLINK «https://pubmed.ncbi.nlm.nih.gov/?term=Boonrod+A&cauthor_id=31492410» HYPERLINK «https://pubmed.ncbi.nlm.nih.gov/?term=Boonrod+A HYPERLINK «https://pubmed.ncbi.nlm.nih.gov/?term=Boonrod+A&cauthor_id=31492410″& HYPERLINK «https://pubmed.ncbi.nlm.nih.gov/?term=Boonrod+A&cauthor_id=31492410″cauthor_id=31492410» HYPERLINK «https://pubmed.ncbi.nlm.nih.gov/?term=Boonrod+A&cauthor_id=31492410″Boonrod А. et al. A survey of deep learning applications in ultrasound: artificial intelligence–powered ultrasound for improving clinical workflow // J. Am. Radiol. — 2019. — V. 16. — P. 1318–1328.
14. D’Agostino M.‑A., Terslev L., Aegerter P. et al. Scoring ultrasound synovitis in rheumatoid arthritis: a EULAR‑OMERACT ultrasound taskforce — Part 1: definition and development of a standardised, consensus‑based scoring system // RMD Open. — 2017. — V. 3. — P. e000428.
15. Gutiérrez‑Martínez J., Pineda C., Sandoval H., Bernal‑González A. Computer‑aided diagnosis in rheumatic diseases using ultrasound: an overview // Clin. — 2020. — V. 39. — P. 993–1005.
16. Amorese‑O’Connell L., M. Gutierrez, Reginato A.M. General applications of ultrasound in rheumatology practice // Fed. — 2015. — V. 32. — P. 8S–20S.
17. Mielnik P., Fojcik M., Segen J., Kulbacki M. Novel method of synovitis stratification in ultrasound using machine learning algorithms: results from clinical validation of the MEDUSA project // Ultrasound Med. — 2018. — V. 44 (2). — P. 489–494.
18. Nagao A., Inagaki Y., Nogami K. et.al Artificial intelligence‑assisted ultrasound imaging in hemophilia: research, development, and evaluation of hemarthrosis and synovitis detection // Res. Thromb. Haemost. — 2024. — V. 8 (4). — P. 102439.
19. Radlak K., Palus H., Smolka B., Frackiewicz M. Finger joint synovitis detection in ultrasound images // Bull. Pol. Sci.: Tech Sci. — 2018. — V. 66. — P. 235–245.
20. Karageorgos G.M., Qiu J. et.al Automated deep learning‑based finger joint segmentation in 3‑D ultrasound images with limited dataset // Ultrason. — 2025. — V. 47 (1). — P. 14–23.
21. Qiu J., Karageorgos G.M., Peng X. et.al SwinDAF3D: pyramid Swin transformers with deep attentive features for automated finger joint segmentation in 3D ultrasound images for rheumatoid arthritis assessment // Bioengineering (Basel). — 2025. — V. 12 (4). — P. 390.
22. Terslev L., Naredo E., Aegerter P. et al. Scoring ultrasound synovitis in rheumatoid arthritis: a EULAR‑OMERACT ultrasound taskforce — Part 2: reliability and application to multiple joints of a standardised consensus‑based scoring system // RMD Open. — 2 Newton. — V. 3. — P. e000427.
23. Andersen J.K.H., Pedersen J.S., Laursen M.S. et al. Neural networks for automatic scoring of arthritis disease activity on ultrasound images // RMD Open. — 2019. — V. 5. — P. e000891.
24. He X., Wang M., Zhao C. et al. Deep learning‑based automatic scoring models for the disease activity of rheumatoid arthritis based on multimodal ultrasound images // Rheumatology (Oxford). — 2023. — P. kead366.
25. Frederiksen B.A., Schousboe M., Terslev L. et al. Ultrasound joint examination by an automated system versus by a rheumatologist: from a patient perspective // Adv. — 2022. — V. 62 (1). — P. 30.
26. Ammitzbøll‑Danielsen M., Østergaard M., Tamm L., Terslev L. Diagnostic performance and reliability of robotic ultrasonography and artificial intelligence‑driven synovitis assessment in rheumatoid arthritis: results from the Controlled ARTHUR Trial // RMD Open. — 2025. — V. 11 (4). — P. e006099.
27. Alzyadat T., Praet S., Chetty G., Goecke R., Hughes D., Kumar D. et al. Automatic segmentation of Achilles tendon tissues using deep convolutional neural network // Machine learning in medical imaging / ed. by M. Liu, P. Yan, C. Lian, X. Cao. — Cham: Springer International Publishing, 2020. — P. 444–454.
28. Chiu P.‑H., Boudier‑Revéret M., Chang S.‑W. et al. Deep learning for detecting supraspinatus calcific tendinopathy on ultrasound images // J. Med. — 2022. — V. 30. — P. 196–202.
29. Jahanifar M., Tajeddin N.Z., Hasani M. et al. Automatic recognition of the supraspinatus tendinopathy from ultrasound images using convolutional // Neural. — 2020.
30. Kuok C.‑P., Yang T.‑H., Tsai B.‑S. et al. Segmentation of finger tendon and synovial sheath in ultrasound image using deep convolutional neural network // Biomed. Online. — 2020. — V. 19. — P. 24.
31. Tang R., Li Z., Jiang L. et al. Development and clinical application of artificial intelligence assistant system for rotator cuff ultrasound scanning // Ultrasound Med. — 2024. — V. 50 (2). — P. 251–257.
32. Ho T.T., Kim G.T., Kim T. et al. Classification of rotator cuff tears in ultrasound images using deep learning models // Med. Eng. Comput. — 2022. — V. 60 (5). — P. 1269–1278.
33. Wu K.T., Chen P.C., Chou W.Y. et al. Diagnostic accuracy and interobserver reliability of rotator cuff tear detection with ultrasonography are improved with attentional deep learning // Arthroscopy. — 2025. — V. 41 (8). — P. 2708–2716.
34. Cipolletta E., Fiorentino M.C., Moccia S. et al. Artificial intelligence for ultrasound informative image selection of metacarpal head cartilage: a pilot study // Front. (Lausanne). — 2021. — V. 8. — P. 589197.
35. Shinohara I., Inui A., Mifune Y. et al. Ultrasound with artificial intelligence models predicted Palmer 1B triangular fibrocartilage complex injuries // Arthroscopy. — 2022. — V. 38 (8). — P. 2417–2424.
36. Simran, Kukreja V., Ahuja V. et al. AI‑driven model for knee cartilage degeneration using SAM, Swin, Grad‑CAM, and CapsNet // Franklin Open. — 2025. — P. 100472.
37. Overgaard B.S., Christensen A.B.H., Terslev L. et al. Artificial intelligence model for segmentation and severity scoring of osteophytes in hand osteoarthritis on ultrasound images // Front. — 2024. — V. 11. — P. 1297088.
38. Zhao Y., Xiao L., Liu H. et al. Gout diagnosis from ultrasound images using a patch‑wise attention deep network // Ultrasound Med. — 2025. — V. 51 (10). — P. 1821–1830.

REFERENCES

1. Nasonov E.L., Lila A.M. Achievements of Rheumatology in the 21st Century: The Contribution of Russian Rheumatology. Klinicheskaya meditsina, 2024, vol. 102, no. 3, pp. 197–204 (in Russ.).
2. Lamotkin A.I., Korabel′nikov D.I., Lamotkin I.A. et al. Artificial Intelligence in Healthcare and Medicine: History of Key Events, Its Significance for Physicians, and Level of Development in Different Countries. Farmakoekonomika. Sovremennaya farmakoekonomika i farmakoepidemiologiya, 2024, vol. 17, no. 2, pp. 243–250 (in Russ.).
3. Ushakova Yu.A. Application of Artificial Intelligence in Diseases of the Musculoskeletal System (Literature Review). Radiologiya — praktika, 2025, no. 4, pp. 81–91 (in Russ.).
4. Balabanova R.M., Dubinina T.V. Dynamics of five-year incidence of musculoskeletal diseases and their prevalence among the adult population of Russia for 2012–2017. Sovremennaya revmatologiya, 2019, vol. 13, no. 4, pp. 11–17 (in Russ.).
5. Petrova Yu.V., Goremykina M.V., Ivanova R.L. et al. Potential of artificial intelligence in modern rheumatology. Literature review. Nauka i Zdravookhraneniye, 2025, vol. 27, no. 3, pp. 236–244 (in Russ.).
6. Sakellariou G., Giovannini I., Grignaschi S. et al. New developments in ultrasound in rheumatology: innovative tools and promising applications. Clin. Exp. Rheumatol, 2021, vol. 39 (2), pp. 413–421 (in Russ.).
7. Dinescu S.C., Stoica D., Bita C.E. et al. Applications of artificial intelligence in musculoskeletal ultrasound: narrative review. Front. Med. (Lausanne), 2023, vol. 10, p. 1286085.
8. Gungor I., Gunaydin B., Som O. et al. A real‑time anatomy identification via tool based on artificial intelligence for ultrasound‑guided peripheral nerve block procedures: an accuracy study. J. Anesth, 2021, vol. 35, pp. 591–594.
9. Huang C., Zhou Y., Tan W. et al. Applying deep learning in recognizing the femoral nerve block region on ultrasound images. Ann. Transl. Med, 2019, vol. 7, p. 453.
10. Tang X. The role of artificial intelligence in medical imaging research. BJR Open, 2019, vol. 2, p. 20190031.
11. Pesapane F., Codari M., Sardanelli F. Artificial intelligence in medical imaging: threat or opportunity? Radiologists again at the forefront of innovation in medicine. Eur. Radiol. Exp, 2018, vol. 2, p. 35.
12. Shin Y., Yang J., Lee Y.H., Kim S. Artificial intelligence in musculoskeletal ultrasound imaging. Ultrasonography, 2021, vol. 40, pp. 30–44.
13. Akkus Z., Cai J., Boonrod A. et al. A survey of deep learning applications in ultrasound: artificial intelligence–powered ultrasound for improving clinical workflow. J. Am. Coll. Radiol, 2019, vol. 16, pp. 1318–1328, available at: https://pubmed.ncbi.nlm.nih.gov/31492410/
14. D’Agostino M.‑A., Terslev L., Aegerter P. et al. Scoring ultrasound synovitis in rheumatoid arthritis: a EULAR‑OMERACT ultrasound taskforce — Part 1: definition and development of a standardised, consensus‑based scoring system. RMD Open, 2017, vol. 3, p. e000428.
15. Gutiérrez‑Martínez J., Pineda C., Sandoval H., Bernal‑González A. Computer‑aided diagnosis in rheumatic diseases using ultrasound: an overview. Clin. Rheumatol, 2020, vol. 39, pp. 993–1005.
16. Amorese‑O’Connell L., Gutierrez M., Reginato A.M. General applications of ultrasound in rheumatology practice. Fed. Pract, 2015, vol. 32, pp. 8S–20S.
17. Mielnik P., Fojcik M., Segen J., Kulbacki M. Novel method of synovitis stratification in ultrasound using machine learning algorithms: results from clinical validation of the MEDUSA project. Ultrasound Med. Biol, 2018, vol. 44 (2), pp. 489–494.
18. Nagao A., Inagaki Y., Nogami K. et al. Artificial intelligence‑assisted ultrasound imaging in hemophilia: research, development, and evaluation of hemarthrosis and synovitis detection. Res. Pract. Thromb. Haemost, 2024, vol. 8 (4), p. 102439.
19. Radlak K., Palus H., Smolka B., Frackiewicz M. Finger joint synovitis detection in ultrasound images. Bull. Pol. Acad. Sci.: Tech Sci, 2018, vol. 66, pp. 235–245.
20. Karageorgos G.M., Qiu J. et al. Automated deep learning‑based finger joint segmentation in 3‑D ultrasound images with limited dataset. Ultrason. Imaging, 2025, vol. 47 (1), pp. 14–23.
21. Qiu J., Karageorgos G.M., Peng X. et al. SwinDAF3D: pyramid Swin transformers with deep attentive features for automated finger joint segmentation in 3D ultrasound images for rheumatoid arthritis assessment. Bioengineering (Basel), 2025, vol. 12 (4), p. 390.
22. Terslev L., Naredo E., Aegerter P. et al. Scoring ultrasound synovitis in rheumatoid arthritis: a EULAR‑OMERACT ultrasound taskforce — Part 2: reliability and application to multiple joints of a standardised consensus‑based scoring system. RMD Open, 2 Newton, vol. 3, p. e000427.
23. Andersen J.K.H., Pedersen J.S., Laursen M.S. et al. Neural networks for automatic scoring of arthritis disease activity on ultrasound images. RMD Open, 2019, vol. 5, p. e000891.
24. He X., Wang M., Zhao C. et al. Deep learning‑based automatic scoring models for the disease activity of rheumatoid arthritis based on multimodal ultrasound images. Rheumatology (Oxford), 2023, p. kead366.
25. Frederiksen B.A., Schousboe M., Terslev L. et al. Ultrasound joint examination by an automated system versus by a rheumatologist: from a patient perspective. Adv. Rheumatol, 2022, vol. 62 (1), p. 30.
26. Ammitzbøll‑Danielsen M., Østergaard M., Tamm L., Terslev L. Diagnostic performance and reliability of robotic ultrasonography and artificial intelligence‑driven synovitis assessment in rheumatoid arthritis: results from the Controlled ARTHUR Trial. RMD Open, 2025, vol. 11 (4), p. e006099.
27. Alzyadat T., Praet S., Chetty G., Goecke R., Hughes D., Kumar D. et al. Automatic segmentation of Achilles tendon tissues using deep convolutional neural network. Machine learning in medical imaging. Cham: Springer International Publishing, 2020. Pp. 444–454.
28. Chiu P.‑H., Boudier‑Revéret M., Chang S.‑W. et al. Deep learning for detecting supraspinatus calcific tendinopathy on ultrasound images. J. Med. Ultrasound, 2022, vol. 30, pp. 196–202.
29. Jahanifar M., Tajeddin N.Z., Hasani M. et al. Automatic recognition of the supraspinatus tendinopathy from ultrasound images using convolutional. Neural. Netw, 2020.
30. Kuok C.‑P., Yang T.‑H., Tsai B.‑S. et al. Segmentation of finger tendon and synovial sheath in ultrasound image using deep convolutional neural network. Biomed. Eng. Online, 2020, vol. 19, p. 24.
31. Tang R., Li Z., Jiang L. et al. Development and clinical application of artificial intelligence assistant system for rotator cuff ultrasound scanning. Ultrasound Med. Biol, 2024, vol. 50 (2), pp. 251–257.
32. Ho T.T., Kim G.T., Kim T. et al. Classification of rotator cuff tears in ultrasound images using deep learning models. Med. Biol. Eng. Comput, 2022, vol. 60 (5), pp. 1269–1278.
33. Wu K.T., Chen P.C., Chou W.Y. et al. Diagnostic accuracy and interobserver reliability of rotator cuff tear detection with ultrasonography are improved with attentional deep learning. Arthroscopy, 2025, vol. 41 (8), pp. 2708–2716.
34. Cipolletta E., Fiorentino M.C., Moccia S. et al. Artificial intelligence for ultrasound informative image selection of metacarpal head cartilage: a pilot study. Front. Med. (Lausanne), 2021, vol. 8, p. 589197.
35. Shinohara I., Inui A., Mifune Y. et al. Ultrasound with artificial intelligence models predicted Palmer 1B triangular fibrocartilage complex injuries. Arthroscopy, 2022, vol. 38 (8), pp. 2417–2424.
36. Simran, Kukreja V., Ahuja V. et al. AI‑driven model for knee cartilage degeneration using SAM, Swin, Grad‑CAM, and CapsNet. Franklin Open, 2025, p. 100472.
37. Overgaard B.S., Christensen A.B.H., Terslev L. et al. Artificial intelligence model for segmentation and severity scoring of osteophytes in hand osteoarthritis on ultrasound images. Front. Med, 2024, vol. 11, p. 1297088.
38. Zhao Y., Xiao L., Liu H. et al. Gout diagnosis from ultrasound images using a patch‑wise attention deep network. Ultrasound Med. Biol, 2025, vol. 51 (10), pp. 1821–1830.