Патологии плечевого сустава, особенно повреждения мягких тканей, представляют собой распространенную проблему, требующую точной и своевременной диагностики. В настоящее время «золотым стандартом» в визуализации повреждений плечевого сустава является МРТ. Однако интерпретация этого метода зачастую субъективна и зависит от опыта специалиста. Решением проблемы может стать текстурный анализ (ТА), основанный на количественной оценке МР-изображений, что позволяет дополнить и уточнить экспертную оценку. В обзоре рассматриваются современные исследования, посвященные применению ТА в диагностике патологий плечевого сустава. Анализируются различные методы ТА, а также их применение для оценки структур плечевого сустава, сравнивается эффективность автоматизированных подходов, основанных на машинном обучении, с экспертной интерпретацией МР-изображений, а также обсуждаются преимущества и ограничения анализа. Внедрение искусственного интеллекта, в частности методов ТА изображений, в клиническую практику является прогрессивным шагом в развитии медицинской диагностики. Это позволит подкреплять доводы врачей объективной оценкой, полученной на основании математических алгоритмов машинного обучения, что повысит не только диагностическую точность, но и поможет разработать более точную тактику лечения и профилактики различных патологий.
Shoulder pathologies, particularly soft tissue injuries, are a common problem requiring accurate and timely diagnosis. Currently, MRI is the gold standard for visualizing shoulder injuries. However, the interpretation of MRI often relies on the subjective assessment of the examiner and can vary depending on their experience. Texture analysis (TA), based on the quantitative evaluation of MRI images, offers a solution by providing objective data that complements and refines expert evaluation. This review examines current research on the application of TA in diagnosing shoulder pathologies. We analyze various TA methods and their application for evaluating different shoulder structures. We compare the performance of automated, machine learning-based approaches with expert interpretation of MRI images. The advantages and limitations of TA are also discussed. The integration of artificial intelligence, and specifically image texture analysis, into clinical practice represents a significant advancement in medical diagnostics. This approach promises substantial benefits by augmenting physicians' expertise with objective assessments derived from mathematical algorithms and machine learning. This integration is expected to not only enhance diagnostic accuracy but also contribute to the development of more precise treatment strategies and preventative measures for various pathologies.