Traumatology and Orthopedics of RussiaTraumatology and Orthopedics of RussiaТравматология и ортопедия России2311-29052542-0933Vreden National Medical Research Center of Traumatology and Orthopedics1788810.17816/2311-2905-17888ReviewsОбзорыReviewsReview ArticleUse of Artificial Intelligence in the Diagnosis of Musculoskeletal Disorders:A Systematic Review and Meta-AnalysisИспользование искусственного интеллекта в диагностике патологий опорно-двигательного аппарата:систематический обзор и мета-анализhttps://orcid.org/0000-0003-3002-1067571963528781670-3730YafarovaAdel A.ЯфароваАдель Айратовна
Russian Federation

Expert, Department of Project Evaluation and Support, Cand. Sci. (Med.);

Эксперт Отдела оценки и сопровождения проектов, канд.мед.наук

adyafarowa@yandex.ruhttps://orcid.org/0009-0007-3636-28892274-6428ErizhokovRustam A.ЕрижоковРустам Арсеньевич
Russian Federation

Head of Standardization and Quality Assurance Department

Руководитель Отдела стандартизации и контроля качества

ErizhokovRA@zdrav.mos.ruhttps://orcid.org/0000-0003-1694-468278013309756193-1656PetraikinAlexey V.ПетряйкинАлексей Владимирович
Russian Federation

MD, Dr. Sci. (Medicine); Principal Researcher, Department of Standardization and Quality Assurance Department

д-р мед. наук; главный научный сотрудник Отдела стандартизации и контроля качества

alexeypetriakin@gmail.comhttps://orcid.org/0000-0002-2681-9378572096871303306-1387BlokhinIvan A.БлохинИван Андреевич
Russian Federation

MD, Cand. Sci. (Med.), Lead Researcher, Research Sector, Department of Scientific Medical Research

к.м.н., ведущий научный сотрудник Сектора научных исследований Отдела научных медицинских исследований

BlokhinIA@zdrav.mos.ruhttps://orcid.org/0000-0002-9661-0254365548159008592-0558ReshetnikovRoman V.РешетниковРоман Владимирович
Russian Federation

Cand. Sci. (Physics and Mathematics); Head of the Department of Scientific Medical Research

канд. физ.-мат. наук; руководитель Отдела научных медицинских исследований

ReshetnikovRV1@zdrav.mos.ruhttps://orcid.org/0009-0008-9862-82059122-6826RodionovaLarisa G.РодионоваЛариса Григорьевна

Head of the Department for Support of AI Technology Implementation Projects

Начальник Отдела сопровождения проектов по внедрению технологий искусственного интеллекта

RodionovaLG@zdrav.mos.ruhttps://orcid.org/0000-0001-8870-7649570891628007463-4645VaryukhinaMaria D.ВарюхинаМария Дмитриевна
Russian Federation

MD, Cand. Sci. (Med.); Lead Researcher, Head of the Sector for Medical Digital Solutions of the Standardization and Quality Assurance Department.

канд.мед. наук, ведущий научный сотрудник; руководитель Сектора разработки цифровых решений для медицины Отдела стандартизации и контроля качества

VaryukhinaMD@zdrav.mos.ruhttps://orcid.org/0000-0002-0245-4431574434581008948-6152OmelyanskayaOlga V.ОмелянскаяОльга Васильевна
Russian Federation

Chief Innovation Officer

Заместитель директора по перспективному развитию

OmelyanskayaOV@zdrav.mos.ruhttps://orcid.org/0000-0002-2990-773689442621003602-7120VladzymyrskyyAnton V.ВладзимирскийАнтон Вячеславович
Russian Federation

MD, Dr. Sci. (Medicine); Deputy Director of R&D; Associate Professor

д.м.н., заместитель директора по научной работе; доцент

VladzimirskiyAV@zdrav.mos.ruhttps://orcid.org/0000-0002-5283-5961572166316244458-5608VasilevYuriy A.ВасильевЮрий Александрович
Russian Federation

Chief Officer of Radiology at the Moscow Health Care Department; MD, Dr. Sci. (Medicine); Associate Professor; Medical Director

Главный внештатный специалист по лучевой и инструментальной диагностике Департамента здравоохранения Москвы, д.м.н., доцент, главный врач

npcmr@zdrav.mos.ruState Budget-Funded Health Care Institution of the City of Moscow «Research and Practical Clinical Center for Diagnostics and Telemedicine Technologies of Moscow Health Care Department»Государственное бюджетное учреждение здравоохранения города Москвы «Научно-практический клинический центр диагностики и телемедицинских технологий Департамента здравоохранения города Москвы»State Budget-Funded Health Care Institution of the City of Moscow «Research and Practical Clinical Center for Diagnostics and Telemedicine Technologies of Moscow Health Care Department»Государственное бюджетное учреждение здравоохранения города Москвы «Научно-практический клинический центр диагностики и телемедицинских технологий Департамента здравоохранения города Москвы»Federal State Budget Educational Institution of Higher Education «MIREA – Russian Technological University»Федеральное государственное бюджетное образовательное учреждение высшего образования «МИРЭА - Российский технологический университет».Federal State Autonomous Educational Institution of Higher Education I.M. Sechenov First Moscow State Medical University of the Ministry of Health of the Russian Federation (Sechenov University)Федеральное государственное автономное образовательное учреждение высшего образования Первый Московский государственный медицинский университет имени И.М. Сеченова Министерства здравоохранения Российской Федерации (Сеченовский Университет)State Budget-Funded Health Care Institution of the City of Moscow «Research and Practical Clinical Center for Diagnostics and Telemedicine Technologies of Moscow Health Care Department»Государственное бюджетное учреждение здравоохранения города Москвы «Научно-практический клинический центр диагностики и телемедицинских технологий Департамента здравоохранения города Москвы»260820263233004202606072026Copyright ©; , Eco-VectorCopyright ©; , Эко-ВекторCopyright ©; , Eco-VectorEco-VectorЭко-ВекторEco-Vectorhttps://creativecommons.org/licenses/by-nc-nd/4.0https://journal.rniito.org/jour/article/view/17888

Objective. To perform a systematic review with a meta-analysis of the diagnostic accuracy of technologies based on artificial intelligence in musculoskeletal disorders, including both peer-reviewed publications and grey literature sources, with an assessment of methodological quality. Methods. A systematic search was conducted in the PubMed and eLibrary databases, along with an analysis of grey literature sources for the period from 2023 to 2025. The review included peer-reviewed studies and grey literature sources with external validation and quantitative measures of diagnostic accuracy. The quality of included sources was assessed using the modified QUADAS-CAD tool. Meta-analysis for individual conditions was performed using a bivariate random-effects model in MetaDTA. The certainty of evidence was assessed using the GRADE approach. Results. A total of 42 sources were included in the systematic review: 24 peer-reviewed publications and 18 grey literature sources, including 13 services from the Moscow Experiment. Seventeen sources were included in the meta-analysis, of which 8 were peer-reviewed publications and 9 were grey literature sources. Meta-analysis was feasible for five conditions: knee osteoarthritis, active sacroiliitis, osteoporosis, vertebral compression fractures, and scoliosis. Among peer-reviewed studies, the overall risk of bias was low in 25.0% of cases, high in 20.8%, and some concerns were identified in 54.2%. For all grey literature sources, the overall risk of bias was assessed as some concerns. The inclusion of grey literature made it possible to perform meta-analysis for certain conditions, but was associated with lower certainty of evidence: low for osteoporosis and vertebral compression fractures, and very low for active sacroiliitis, knee osteoarthritis, and scoliosis.Conclusion. The diagnostic accuracy of technologies based on artificial intelligence in musculoskeletal disorders appears promising; however, the results should be interpreted with caution. A key strength of this review is the inclusion of Russian services, which constituted the majority of grey literature sources.

Цель. Провести систематический обзор с мета-анализом диагностической точности технологий на основе искусственного интеллекта при патологиях опорно-двигательного аппарата с включением данных рецензируемых публикаций и источников «серой» литературы и оценкой качества методологии исследований. Методы. Выполнен систематический поиск в базах PubMed и eLibrary, а также анализ источников «серой» литературы за период 2023-2025 гг. В систематический обзор включали рецензируемые исследования и материалы «серой» литературы с внешней валидацией и количественными показателями диагностической точности. Качество включённых источников оценивали с использованием опросника QUADAS-CAD. Мета-анализ для отдельных нозологий проводили с применением бивариантной модели со случайными эффектами в MetaDTA. Достоверность доказательств оценивали по GRADE. Результаты. В систематический обзор были включены 42 источника: 24 рецензируемые публикации и 18 источников «серой» литературы, включая 13 сервисов Московского эксперимента. В мета-анализ вошли 17 источников, из них 8 рецензируемых публикаций и 9 источников «серой» литературы. Мета-анализ удалось выполнить для 5 нозологий: гонартроза, активного сакроилеита, остеопороза, компрессионных переломов позвонков и сколиоза. Для рецензируемых исследований общий риск систематической ошибки был низким в 25,0% случаев, высоким - в 20,8%, «некоторые сомнения» отмечены в 54,2%. Для всех источников «серой» литературы общий риск систематической ошибки был оценён как «некоторые сомнения». Включение источников «серой» литературы позволило выполнить мета-анализ для отдельных нозологий, однако сопровождалось снижением достоверности итоговых оценок по GRADE: для остеопороза и компрессионных переломов позвонков она была низкой, а для активного сакроилеита, гонартроза и сколиоза - очень низкой.Выводы. Показатели диагностической точности технологий на основе искусственного интеллекта при патологиях опорно-двигательного аппарата в целом выглядят обнадеживающими, однако их следует интерпретировать с осторожностью. Важным преимуществом настоящего обзора стало включение российских сервисов, поскольку именно отечественные разработки сформировали большую часть источников «серой» литературы.

artificial intelligencemusculoskeletal disordersdiagnostic accuracysystematic reviewmeta-analysisgrey literaturemedical imaging.искусственный интеллектпатологии опорно-двигательного аппаратадиагностическая точностьсистематический обзормета-анализ«серая» литературамедицинская визуализация.This article was prepared by the author team within the framework of the R&D project “Development of tools for automated diagnosis of musculoskeletal disorders and injuries based on interdisciplinary approaches.”Данная статья подготовлена авторским коллективом в рамках НИОКР «Создание инструментов автоматизированной диагностики патологий и повреждений опорно-двигательной системы на основе междисциплинарных подходов».Cieza A, Causey K, Kamenov K, Hanson SW, Chatterji S, Vos T. Global estimates of the need for rehabilitation based on the Global Burden of Disease study 2019: a systematic analysis for the Global Burden of Disease Study 2019. Lancet. 2021;396(10267):2006-2017. doi: 10.1016/S0140-6736(20)32340-0.GBD 2021 Osteoarthritis Collaborators. Global, regional, and national burden of osteoarthritis, 1990-2020 and projections to 2050: a systematic analysis for the Global Burden of Disease Study 2021. Lancet Rheumatol. 2023;5(9):e508-e522. doi: 10.1016/S2665-9913(23)00163-7.Галушко Е.А., Насонов Е.Л. Распространенность ревматических заболеваний в России. Альманах клинической медицины. 2018;46(1):32-39. doi: 10.18786/2072-0505-2018-46-1-32-39. Galushko E.A., Nasonov E.L. Prevalence of rheumatic diseases in Russia. Almanac of Clinical Medicine. 2018;46(1):32-39. (In Russian). doi: 10.18786/2072-0505-2018-46-1-32-39.Salari N., Ghasemi H., Mohammadi L., Behzadi M.H., Rabieenia E., Shohaimi S. et al. The global prevalence of osteoporosis in the world: a comprehensive systematic review and meta-analysis. J Orthop Surg Res. 2021;16(1):609. doi: 10.1186/s13018-021-02772-0.Белая Ж.Е., Белова К.Ю., Бирюкова Е.В., Дедов И.И., Дзеранова Л.К., Драпкина О.М. и др. Федеральные клинические рекомендации по диагностике, лечению и профилактике остеопороза. Остеопороз и остеопатии. 2021;24(2):4-47. doi: 10.14341/osteo12930. Belaya Zh.E., Belova K.Yu., Biryukova E.V., Dedov I.I., Dzeranova L.K., Drapkina O.M. et al. Federal clinical guidelines for diagnosis, treatment and prevention of osteoporosis. Osteoporosis and Bone Diseases. 2021;24(2):4-47. (In Russian). doi: 10.14341/osteo12930.Артюкова З.Р., Кудрявцев Н.Д., Петряйкин А.В., Семёнов Д.С., Владзимирский А.В., Васильев Ю.А. Оппортунистический скрининг остеопороза с использованием сервисов искусственного интеллекта. Вестник травматологии и ортопедии им. Н.Н. Приорова. 2025;32(2):439-448. doi: 10.17816/vto634918. Artyukova Z.R., Kudryavtsev N.D., Petraikin A.V., Semenov D.S., Vladzymyrskyy A.V., Vasilev Yu.A. Opportunistic screening for osteoporosis using artificial intelligence services. N.N. Priorov Journal of Traumatology and Orthopedics. 2025;32(2):439-448. (In Russian). doi: 10.17816/vto634918.Артюкова З.Р., Панина О.Ю., Монахова А.А., Петряйкин А.В., Ерижоков Р.А., Омелянская О.В. и др. Современные подходы к инструментальной диагностике остеопороза. Вестник Российского научного центра рентгенорадиологии. 2025;(2):22-36. Artyukova Z.R., Panina O.Yu., Monakhova A.A., Petraikin A.V., Erizhokov R.A., Omelyanskaya O.V. et al. Modern methods of instrumental diagnostics of osteoporosis. Vestnik of the Russian Scientific Center of Roentgenoradiology. 2025;(2):22-36. (In Russian).Petraikin A.V., Pickhardt P.J., Belyaev M.G., Belaya Z.E., Pisov M.E., Bukharaev A.N. et al. Opportunistic screening for osteoporosis using artificial intelligence-based morphometric analysis of chest computed tomography images: a retrospective multi-center study in Russia leveraging the COVID-19 pandemic. Asian Spine J. 2025;19(3):355-371. doi: 10.31616/asj.2024.0314.Liebl H., Joseph G., Nevitt M.C., Singh N., Heilmeier U., Subburaj K. et al. Early T2 changes predict onset of radiographic knee osteoarthritis: data from the Osteoarthritis Initiative. Ann Rheum Dis. 2015;74(7):1353-1359. doi: 10.1136/annrheumdis-2013-204157.Brulhart L., Alpízar-Rodríguez D., Nissen M.S., Zufferey P., Ciubotariu I., Fleury G. et al. Ultrasound is not associated with the presence of systemic autoimmunity or symptoms in individuals at risk for rheumatoid arthritis. RMD Open. 2019;5(2):e000922. doi: 10.1136/rmdopen-2019-000922.Hosny A., Parmar C., Quackenbush J., Schwartz L.H., Aerts H.J.W.L. Artificial intelligence in radiology. Nat Rev Cancer. 2018;18(8):500-510. doi: 10.1038/s41568-018-0016-5.Рыдкин С.В., Корепина Е.М., Симкин Н.В., Павлов Д.С. MOSMED.AI [computer program]. Москва: ГБУЗ «НПКЦ диагностики и телемедицинских технологий ДЗМ»; 2023. Свидетельство о государственной регистрации программы для ЭВМ RU 2023614611, дата регистрации 28.12.2022.Kodenko M.R., Bobrovskaya T.M., Reshetnikov R.V., Arzamasov K.M., Vladzymyrskyy A.V., Omelyanskaya O.V. Empirical approach to sample size estimation for testing of AI algorithms. Dokl Math. 2024;110(suppl 1):S62-S74. doi: 10.1134/S1064562424602063.Kodenko M.R., Vasilev Y.A., Vladzymyrskyy A.V., Omelyanskaya O.V., Leonov D.V., Blokhin I.A. et al. Diagnostic accuracy of AI for opportunistic screening of abdominal aortic aneurysm in CT: a systematic review and narrative synthesis. Diagnostics (Basel). 2022;12(12):3197. doi: 10.3390/diagnostics12123197.Васильев Ю.А., Алымова Ю.А., Арзамасов К.М., Арзамасова Л.Н., Астапенко Е.В., Ахмад Е.С. и др. Искусственный интеллект в лучевой диагностике: Per Aspera Ad Astra. Москва: Издательские решения; 2025. 491 с. Vasilev Yu.A., Alymova Yu.A., Arzamasov K.M., Arzamasova L.N., Astapenko E.V., Akhmad E.S. et al. Artificial intelligence in radiology: Per Aspera Ad Astra. Moscow: Izdatelskie resheniya; 2025. 491 p. (In Russian).Freeman S.C., Kerby C.R., Patel A., Cooper N.J., Quinn T., Sutton A.J. Development of an interactive web-based tool to conduct and interrogate meta-analysis of diagnostic test accuracy studies: MetaDTA. BMC Med Res Methodol. 2019;19(1):81. doi: 10.1186/s12874-019-0724-x.Patel A., Cooper N., Freeman S., Sutton A. Graphical enhancements to summary receiver operating characteristic plots to facilitate the analysis and reporting of meta-analysis of diagnostic test accuracy data. Res Synth Methods. 2021;12(1):34-44. doi: 10.1002/jrsm.1439.Schünemann H.J., Oxman A.D., Brozek J., Glasziou P., Jaeschke R., Vist G.E. et al. Grading quality of evidence and strength of recommendations for diagnostic tests and strategies. BMJ. 2008;336(7653):1106-1110. doi: 10.1136/bmj.39500.677199.AE.Bordner A., Aouad T., Medina C.L., Yang S., Molto A., Talbot H. et al. A deep learning model for the diagnosis of sacroiliitis according to Assessment of SpondyloArthritis International Society classification criteria with magnetic resonance imaging. Diagn Interv Imaging. 2023;104(7-8):373-383. doi: 10.1016/j.diii.2023.03.008.Xu S., Guo C., Zuo J., Yang M., Chen B., Li S. et al. Development and validation of a deep learning model for automatic severity grading of hip osteoarthritis: a multi-center study. Ann Med. 2025;57(1):2584361. doi: 10.1080/07853890.2025.2584361.Liao Y., Yang G., Pan W., Lu Y. OA-HybridCNN (OHC): an advanced deep learning fusion model for enhanced diagnostic accuracy in knee osteoarthritis imaging. PLoS One. 2025;20(5):e0322540. doi: 10.1371/journal.pone.0322540.Asamoto T., Takegami Y., Sato Y., Takahara S., Yamamoto N., Inagaki N. et al. External validation of a deep learning model for predicting bone mineral density on chest radiographs. Arch Osteoporos. 2024;19(1):15. doi: 10.1007/s11657-024-01372-9.Hong N., Cho S.W., Shin S., Lee S., Jang S.A., Roh S. et al. Deep-learning-based detection of vertebral fracture and osteoporosis using lateral spine X-ray radiography. J Bone Miner Res. 2023;38(6):887-895. doi: 10.1002/jbmr.4814.Nasser Y., El Hassouni M., Hans D., Jennane R. A discriminative shape-texture convolutional neural network for early diagnosis of knee osteoarthritis from X-ray images. Phys Eng Sci Med. 2023;46(2):827-837. doi: 10.1007/s13246-023-01256-1.Yilihamu E.E., Shang J., Su Z.H., Yang J.T., Zhao K., Zhong H. et al. Quantification and classification of lumbar disc herniation on axial magnetic resonance images using deep learning models. Radiol Med. 2025;130(6):795-804. doi: 10.1007/s11547-025-01996-y.Shen X., He Z., Shi Y., Yang Y., Luo J., Tang X. et al. Automatic detection of early osteonecrosis of the femoral head from various hip pathologies using deep convolutional neural network: a multi-centre study. Int Orthop. 2023;47(9):2235-2244. doi: 10.1007/s00264-023-05813-x.Jamaludin A., Windsor R., Ather S., Kadir T., Zisserman A., Braun J. et al. Automated detection of spinal bone marrow oedema in axial spondyloarthritis: training and validation using two large phase 3 trial datasets. Rheumatology (Oxford). 2025;64(10):5446-5454. doi: 10.1093/rheumatology/keaf323.Klontzas M.E., Vassalou E.E., Spanakis K., Meurer F., Woertler K., Zibis A. et al. Deep learning enables the differentiation between early and late stages of hip avascular necrosis. Eur Radiol. 2024;34(2):1179-1186. doi: 10.1007/s00330-023-10104-5.Tumko V., Kim J., Uspenskaia N., Honig S., Abel F., Lebl D.R. et al. A neural network model for detection and classification of lumbar spinal stenosis on MRI. Eur Spine J. 2024;33(3):941-948. doi: 10.1007/s00586-023-08089-2.Yang Y., Pan T., Zhang C. Machine learning outperforms deep learning in adhesive capsulitis diagnosis: a clinical-radiomics model bridging PD-T2 MRI and multimodal data fusion. Eur J Radiol. 2025;193:112470. doi: 10.1016/j.ejrad.2025.112470.Peng T., Zeng X., Li Y., Li M., Pu B., Zhi B. et al. A study on whether deep learning models based on CT images for bone density classification and prediction can be used for opportunistic osteoporosis screening. Osteoporos Int. 2024;35(1):117-128. doi: 10.1007/s00198-023-06900-w.Zhang K., Luo G., Li W., Zhu Y., Pan J., Li X. et al. Automatic image segmentation and grading diagnosis of sacroiliitis associated with AS using a deep convolutional neural network on CT images. J Digit Imaging. 2023;36(5):2025-2034. doi: 10.1007/s10278-023-00858-1.IB Lab GmbH. 510(k) Premarket Notification: KOALA [Internet]. Silver Spring (MD): US Food and Drug Administration; 2019 Nov 5. Report No.: K192109. Available from: https://www.accessdata.fda.gov/cdrh_docs/pdf19/K192109.pdfRadiobotics ApS. 510(k) Premarket Notification: RBknee [Internet]. Silver Spring (MD): US Food and Drug Administration; 2021 Sep 20. Report No.: K203696. Available from: https://www.accessdata.fda.gov/cdrh_docs/pdf20/K203696.pdfBunkerhill Health. 510(k) Premarket Notification: BunkerHill BMD [Internet]. Silver Spring (MD): US Food and Drug Administration; 2025 Apr 8. Report No.: K242295. Available from: https://www.accessdata.fda.gov/cdrh_docs/pdf24/K242295.pdfNaitive Technologies Ltd. 510(k) Premarket Notification: OsteoSight Hip (v1) [Internet]. Silver Spring (MD): US Food and Drug Administration; 2025 Sep 2. Report No.: K251408. Available from: https://www.accessdata.fda.gov/cdrh_docs/pdf25/K251408.pdfAvicenna.AI. 510(k) Premarket Notification: Cina-VCF [Internet]. Silver Spring (MD): US Food and Drug Administration; 2024 May 31. Report No.: K240612. Available from: https://www.accessdata.fda.gov/cdrh_docs/pdf24/K240612.pdfNicolaes J., Tselenti E., Aouad T., López-Medina C., Feydy A., Talbot H. et al. Performance analysis of a deep-learning algorithm to detect the presence of inflammation in MRI of sacroiliac joints in patients with axial spondyloarthritis. Ann Rheum Dis. 2025;84(1):60-67. doi: 10.1136/ard-2024-225862.CVisionRad - Knee Arthrosis - ИИ-сервисы в лучевой диагностике [Internet]. Mosmed.ai: Эксперимент по использованию инновационных технологий в области компьютерного зрения; [cited 2026 Apr 1]. Available from: https://mosmed.ai/service_catalog/cvl-chest-ct-knee/Oxytech РГ коленного сустава [computer program]. Москва: Oxytech; 2025.Tang J., Yin X., Lai J., Luo K., Wu D. Automatic opportunistic osteoporosis screening using chest X-ray images via deep neural networks. Bone. 2025;201:117618. doi: 10.1016/j.bone.2025.117618.Huang C., Wu D., Wang B., Hong C., Hu J., Yan Z. et al. Application of deep learning model based on unenhanced chest CT for opportunistic screening of osteoporosis: a multicenter retrospective cohort study. Insights Imaging. 2025;16(1):10. doi: 10.1186/s13244-024-01817-2.Lin X., Shen R., Zheng X., Shi S., Dai Z., Fang K. Utilizing radiomics techniques to isolate a single vertebral body from chest CT for opportunistic osteoporosis screening. BMC Musculoskelet Disord. 2024;25(1):785. doi: 10.1186/s12891-024-07903-2.Oxytech РГ переломы позвоночника [computer program]. Москва: ООО «Оксиджен Технолоджиес Рус»; 2025.Эирвэй-РГ Компрессионные переломы тел позвонков [computer program]. Москва: ООО «Эирвэй ии»; 2025.Oxytech Spine XR Scoliosis - ИИ-сервисы в лучевой диагностике [Internet]. Mosmed.ai: Эксперимент по использованию инновационных технологий в области компьютерного зрения. Available from: https://mosmed.ai/service_catalog/oxytech-spine-xr-scoliosis/Esper.Scoliosis - ИИ-сервисы в лучевой диагностике [Internet]. Mosmed.ai: Эксперимент по использованию инновационных технологий в области компьютерного зрения. Available from: https://mosmed.ai/service_catalog/esperscoliosis/А-рг-сколиоз [computer program]. Москва: ООО «Эирвэй ии»; 2025.Gao L., Jiao T., Feng Q., Wang W. Application of artificial intelligence in diagnosis of osteoporosis using medical images: a systematic review and meta-analysis. Osteoporos Int. 2021;32(7):1279-1286. doi: 10.1007/s00198-021-05887-6.Yamamoto N., Shiroshita A., Kimura R., Kamo T., Ogihara H., Tsuge T. Diagnostic accuracy of chest X-ray and CT using artificial intelligence for osteoporosis: systematic review and meta-analysis. J Bone Miner Metab. 2024;42(5):483-491. doi: 10.1007/s00774-024-01532-4.Mohammadi S., Salehi M.A., Jahanshahi A., Shahrabi Farahani M., Zakavi S.S., Behrouzieh S. et al. Artificial intelligence in osteoarthritis detection: a systematic review and meta-analysis. Osteoarthritis Cartilage. 2024;32(3):241-253. doi: 10.1016/j.joca.2023.09.011.Васильев Ю.А., Владзимирский А.В., Арзамасов К.М., Решетников Р.В., Балашов М.К., Родионова Л.Г. Внедрение медицинских изделий с технологиями искусственного интеллекта в лучевую диагностику. Часть 1. Сценарии и оценка эффективности: методические рекомендации. Серия «Лучшие практики лучевой и инструментальной диагностики». Вып. 151. Москва: ГБУЗ «НПКЦ ДиТ ДЗМ»; 2025. С. 10-15. Vasilev Yu.A., Vladzymyrskyy A.V., Arzamasov K.M., Reshetnikov R.V., Balashov M.K., Rodionova L.G. Implementation of medical devices with artificial intelligence technologies in radiology. Part 1. Scenarios and efficiency assessment: methodological recommendations. Best practices in radiology and instrumental diagnostics series. Issue 151. Moscow: Moscow Center for Diagnostics & Telemedicine; 2025. P. 10-15. (In Russian).Jung J., Dai J., Liu B., Wu Q. Artificial intelligence in fracture detection with different image modalities and data types: a systematic review and meta-analysis. PLOS Digit Health. 2024;3(1):e0000438. doi: 10.1371/journal.pdig.0000438.Moon S.J., Lee S., Hwang J., Lee J., Kang S., Cha H.S. Performances of machine learning algorithms in discriminating sacroiliitis features on MRI: a systematic review. RMD Open. 2023;9(4):e003783. doi: 10.1136/rmdopen-2023-003783.Goldman S.N., Hui A.T., Choi S., Mbamalu E.K., Tirabady P., Eleswarapu A.S. et al. Applications of artificial intelligence for adolescent idiopathic scoliosis: mapping the evidence. Spine Deform. 2024;12(6):1545-1570. doi: 10.1007/s43390-024-00940-w.Lam C., Tasong J., Bulut H., Udall A., Sukhbaatar T., Hoang G. et al. Artificial intelligence in early onset scoliosis: a scoping review. Spine Deform. 2026;14(2):389-397. doi: 10.1007/s43390-025-01208-7.