施強(qiáng)慧，張子凡，胡博，曹鵬，徐辰，袁文，陳華江

海軍軍醫(yī)大學(xué)第二附屬醫(yī)院骨科，上海 200433

下腰痛及頸肩痛作為導(dǎo)致中老年人生活質(zhì)量下降的重要原因，給社會(huì)及國家?guī)砹顺林刎?fù)擔(dān)[1]。而腰椎及頸椎的椎間盤退變與突出是導(dǎo)致下腰痛及頸肩痛的重要原因[2]，主要包括椎間盤退變、椎間高度降低、椎間盤終板退變或椎體變性等一系列病理生理變化[3-4]。目前對(duì)于頸腰椎退變主要依據(jù)影像學(xué)資料而做出經(jīng)驗(yàn)性判斷，該經(jīng)驗(yàn)性診斷主要依據(jù)突出部位、椎間盤信號(hào)改變、椎體信號(hào)及形態(tài)改變、脊柱序列穩(wěn)定性等因素綜合考慮，并進(jìn)一步根據(jù)這些因素輔助確定患者手術(shù)的必要性及手術(shù)方案[5]。但該診斷過程由于極度依賴醫(yī)者的經(jīng)驗(yàn)積累，不同醫(yī)者做出的診斷及制定的手術(shù)方案存在顯著差異[6]。此外，由于頸腰椎退變性疾病的診斷及手術(shù)方案制定過程較為復(fù)雜，且在較大程度上依賴影像學(xué)資料，容易造成臨床醫(yī)師與患者之間溝通減少的局面，降低了患者臨床信息收集的全面性，同時(shí)不利于對(duì)患者的人文關(guān)懷。因此，具備自動(dòng)分析及診斷能力的人工智能決策輔助系統(tǒng)將有助于輔助臨床醫(yī)師對(duì)頸腰椎退變性疾病進(jìn)行診斷及制定手術(shù)方案，以提高臨床醫(yī)師的工作效率及醫(yī)療質(zhì)量[7]。

1 深度學(xué)習(xí)人工智能

深度學(xué)習(xí)概念于2006年被提出，最初源于人工神經(jīng)網(wǎng)絡(luò)相關(guān)的研究，其后經(jīng)研究者不斷努力和持續(xù)完善，已發(fā)展成機(jī)器學(xué)習(xí)領(lǐng)域具有良好發(fā)展前景的分支[8-10]。傳統(tǒng)的機(jī)器學(xué)習(xí)模型依賴于數(shù)據(jù)工程師對(duì)原始數(shù)據(jù)(如肺結(jié)節(jié)影像學(xué)圖片)進(jìn)行特征總結(jié)及提取，并制定出相應(yīng)的特征提取器(如提取肺結(jié)節(jié)的大小、直徑、邊緣等特征)。機(jī)器學(xué)習(xí)模型通過將特征作為輸入端，將特征對(duì)應(yīng)的結(jié)果(如肺結(jié)節(jié)的良心或惡性)作為輸出端進(jìn)行學(xué)習(xí)，通過一定量的訓(xùn)練后，可實(shí)現(xiàn)對(duì)新數(shù)據(jù)特征對(duì)應(yīng)結(jié)果的預(yù)測[11]。機(jī)器學(xué)習(xí)算法已被很多學(xué)者應(yīng)用于臨床疾病的診療過程，如有研究報(bào)道，根據(jù)老年人的步態(tài)數(shù)據(jù)及慣性分析數(shù)據(jù)，可以通過機(jī)器學(xué)習(xí)算法來預(yù)測其跌倒的風(fēng)險(xiǎn)[12]。前期有研究報(bào)道，通過機(jī)器學(xué)習(xí)方法將下腰痛患者與健康者進(jìn)行鑒別，可達(dá)到對(duì)下腰痛進(jìn)行診斷的目的[13]。此外，有學(xué)者采用機(jī)器學(xué)習(xí)算法預(yù)測脊柱的生物學(xué)應(yīng)力，從而判斷不同人群脊柱生物學(xué)應(yīng)力的分布等[14]。

區(qū)別于傳統(tǒng)機(jī)器學(xué)習(xí)，深度學(xué)習(xí)可實(shí)現(xiàn)直接以原始數(shù)據(jù)作為輸入端、數(shù)據(jù)對(duì)應(yīng)結(jié)果作為輸出端的完全端對(duì)端預(yù)測，原始數(shù)據(jù)特征由深度學(xué)習(xí)模型自主總結(jié)提取，較傳統(tǒng)機(jī)器學(xué)習(xí)模型排除了更多的人為操作因素[15]。此外，深度學(xué)習(xí)對(duì)數(shù)據(jù)的利用程度、對(duì)數(shù)據(jù)間細(xì)微差別及聯(lián)系的處理能力均超過了傳統(tǒng)機(jī)器學(xué)習(xí)模型[15-16](表1)。目前深度學(xué)習(xí)模型主要包括計(jì)算機(jī)視覺(computer vision，CV)、自然語言處理(natural language processing，NLP)、強(qiáng)化學(xué)習(xí)(reinforcement learning，RL)、深度學(xué)習(xí)網(wǎng)絡(luò)(deep neural network，DNN)以及泛用深度學(xué)習(xí)等種類[17]?；诰矸e神經(jīng)網(wǎng)絡(luò)(convolutional neural network，CNN)算法的CV深度學(xué)習(xí)模型已開始在醫(yī)學(xué)領(lǐng)域應(yīng)用，如影像科對(duì)肺結(jié)節(jié)的診斷，其敏感性及特異性與影像科專家得出的診斷意見已無明顯差異[18]。

表1 深度學(xué)習(xí)與傳統(tǒng)機(jī)器學(xué)習(xí)的區(qū)別Tab.1 The difference between deep learning and traditional machine learning

2 基于深度學(xué)習(xí)模型診斷頸腰椎退變性疾病的研究進(jìn)展

2.1 深度學(xué)習(xí)對(duì)頸椎病的診斷研究進(jìn)展 由于頸腰椎退變性疾病的診斷與影像學(xué)資料密切相關(guān)，目前已有許多學(xué)者開始使用機(jī)器學(xué)習(xí)模型及深度學(xué)習(xí)技術(shù)對(duì)頸腰椎各結(jié)構(gòu)特征進(jìn)行提取并借此輔助疾病診斷。目前，對(duì)于頸椎病的診斷主要采用針對(duì)MRI影像的評(píng)判，特別是分析T2加權(quán)像上椎間盤及周圍神經(jīng)組織的受壓情況，以明確疾病的診斷[19]，這也為深度學(xué)習(xí)模型創(chuàng)造了良好條件。近年來有研究發(fā)現(xiàn)，利用深度學(xué)習(xí)模型可為頸椎病患者的脊髓病變區(qū)域提供精準(zhǔn)定位，在頸椎MRI檢查圖像上利用CNN模型自動(dòng)檢測并標(biāo)記椎體序列，準(zhǔn)確率達(dá)到99%以上，敏感度達(dá)到99.1%～99.8%[20]。Wang等[21]使用磁共振彌散當(dāng)量成像(DTI)并結(jié)合DTI特征提取器對(duì)人群頸椎磁共振圖像進(jìn)行特征提取并使用機(jī)器學(xué)習(xí)算法進(jìn)行分析，以期該算法可準(zhǔn)確預(yù)測頸椎病的診斷。但是該方法對(duì)磁共振成像提出了特殊要求，能夠獲取的數(shù)據(jù)量相對(duì)較少，且人工制定的特征提取器難以滿足不同類型頸椎病的診斷。隨后，Jin等[22]通過進(jìn)一步優(yōu)化人工智能的特征提取過程，并比較了不同模型對(duì)于脊髓型頸椎病MRI表現(xiàn)與預(yù)后的學(xué)習(xí)和分析情況，發(fā)現(xiàn)利用高斯核函數(shù)的支持向量機(jī)(RBF-SVM)法能夠顯著提高DTI成像的MRI脊髓特征分析能力，而基于該模型的疾病診斷與預(yù)后分析的準(zhǔn)確率和敏感性分別達(dá)到了85.0%與92.4%。

2.2 深度學(xué)習(xí)對(duì)下腰痛診斷的研究進(jìn)展

2.2.1 深度學(xué)習(xí)模型對(duì)下腰痛的預(yù)測與定性診斷

下腰痛為中老年人的常見疾病，主要由腰椎間盤突出壓迫神經(jīng)引起，因此其發(fā)病具有一定的規(guī)律特點(diǎn)。Hu等[23]通過記錄人群脊柱不同節(jié)段的運(yùn)動(dòng)數(shù)據(jù)，并結(jié)合下腰痛狀態(tài)，建立了一種可通過脊柱不同節(jié)段運(yùn)動(dòng)數(shù)據(jù)來預(yù)測下腰痛發(fā)生的長短記憶深度學(xué)習(xí)模型。基于該理念，可進(jìn)一步將深度學(xué)習(xí)的輸入端多元化，如將人群性別、年齡、身高、體重、吸煙史、飲酒史、負(fù)重習(xí)慣等相關(guān)數(shù)據(jù)作為輸入端，以是否有下腰痛作為輸出端，從而輔助診斷下腰痛的發(fā)生。有研究發(fā)現(xiàn)，通過上述方法，利用CNN模型學(xué)習(xí)后預(yù)測的下腰痛發(fā)生情況與實(shí)際的下腰痛癥狀之間有很強(qiáng)的相關(guān)性(r=0.997)，即CNN模型能夠有效地通過影像學(xué)及臨床參數(shù)預(yù)測下腰痛的發(fā)生，提供早期診斷的可能[24]；同時(shí)，對(duì)于特定的脊柱活動(dòng)度及影像學(xué)參數(shù)改變與不同類別脊柱疾病的相關(guān)性，相較醫(yī)師的主觀預(yù)測，利用CNN模型“驗(yàn)證”數(shù)據(jù)產(chǎn)生了更好的結(jié)果，準(zhǔn)確率高達(dá)85%[25]。因此，合理利用深度學(xué)習(xí)模型，可以輔助腰椎退變性疾病的診斷，在一定程度上提高醫(yī)師的工作效率。

2.2.2 深度學(xué)習(xí)模型對(duì)下腰痛的病因診斷與定位價(jià)值 對(duì)于腰椎間盤突出癥等腰椎退變性疾病，臨床上主要依靠影像檢查結(jié)果來確定具體的病灶及病情嚴(yán)重程度，因此同樣適合深度學(xué)習(xí)展開相應(yīng)工作。例如，Jamaludin等[26]通過CNN模型，將腰椎磁共振影像作為輸入端，腰椎間盤Pfirrmann評(píng)分(5個(gè)分級(jí))、椎間高度(4個(gè)分級(jí))、是否存在椎間盤突出、是否存在椎管狹窄、是否存在終板損害、是否存在椎體Modic改變作為輸出端，對(duì)該模型進(jìn)行訓(xùn)練后，其對(duì)新數(shù)據(jù)分析輸出的準(zhǔn)確率(與影像學(xué)專家人工診斷相比)達(dá)到95.6%。Han等[27]通過基于多尺度多任務(wù)學(xué)習(xí)網(wǎng)絡(luò)的CNN模型，將腰椎T1/T2加權(quán)像磁共振影像作為輸入端，將椎間盤、椎間孔、椎體的位置及是否存在病變作為輸出端，實(shí)現(xiàn)了通過影像學(xué)圖片診斷是否存在椎間孔狹窄、椎間盤退變以及椎體病變，其準(zhǔn)確率達(dá)到90%以上。此外，圍繞如何通過CCN系統(tǒng)實(shí)現(xiàn)椎間盤節(jié)段的自動(dòng)識(shí)別，對(duì)腰椎退變的特殊影像學(xué)表現(xiàn)如融合椎體、脊柱側(cè)彎、腰椎骶化等的識(shí)別，對(duì)椎間孔大小以及神經(jīng)根受壓的識(shí)別等進(jìn)行研究發(fā)現(xiàn)，盡管上述表現(xiàn)的典型影像學(xué)資料較常規(guī)退變少，但對(duì)少量病例的學(xué)習(xí)仍體現(xiàn)出了較高的分辨準(zhǔn)確率，可避免不同醫(yī)師診斷的主觀性和多樣性，對(duì)于患者的診治及預(yù)后具有十分重要的意義[28]。

3 使用深度學(xué)習(xí)模型對(duì)頸腰椎退變性疾病治療的輔助價(jià)值

3.1 使用基于NLP的深度學(xué)習(xí)模型預(yù)測腰椎退變性疾病的手術(shù)療效 相較于CV，NLP對(duì)文字、語言及時(shí)間相關(guān)數(shù)據(jù)的處理能力較好，目前在智能翻譯、智能寫作等領(lǐng)域已有應(yīng)用[17]。然而在醫(yī)學(xué)領(lǐng)域，由于不同醫(yī)療機(jī)構(gòu)采用的臨床數(shù)據(jù)收集方法及數(shù)據(jù)歸納整理方法不完全相同，導(dǎo)致傳統(tǒng)的機(jī)器學(xué)習(xí)難以分析來自不同醫(yī)療機(jī)構(gòu)的臨床數(shù)據(jù)[29]。NLP深度學(xué)習(xí)模型的優(yōu)勢在于可通過對(duì)不同醫(yī)療機(jī)構(gòu)來源結(jié)構(gòu)不同的臨床數(shù)據(jù)進(jìn)行學(xué)習(xí)，并自動(dòng)總結(jié)出一套可供深度學(xué)習(xí)模型進(jìn)行進(jìn)一步分析的數(shù)據(jù)特征；同時(shí)，采用該模型有望實(shí)現(xiàn)對(duì)隨時(shí)間變化的患者的臨床數(shù)據(jù)進(jìn)行學(xué)習(xí)，并據(jù)此預(yù)測手術(shù)治療方案的療效、患者的預(yù)后等指標(biāo)，具有較好的應(yīng)用前景[30]。Staartjes等[31]基于NLP深度學(xué)習(xí)模型，將單節(jié)段腰椎術(shù)后腿痛、背痛及功能殘疾等指標(biāo)改善作為輸出端，將患者術(shù)前基線指標(biāo)以及術(shù)后12個(gè)月患者的報(bào)告結(jié)局指標(biāo)作為輸入端，對(duì)模型進(jìn)行訓(xùn)練后，對(duì)以上三個(gè)指標(biāo)改善程度的預(yù)測準(zhǔn)確度達(dá)85%、87%及75%，相較回歸模型，該深度學(xué)習(xí)模型表現(xiàn)出更好的預(yù)測精準(zhǔn)性，以此為依據(jù)，可以為患者是否選擇手術(shù)治療提供一定的參考。Pedersen等[32]針對(duì)不同模型對(duì)腰椎間盤突出癥術(shù)后療效預(yù)測的準(zhǔn)確度進(jìn)行了系統(tǒng)分析：將患者術(shù)前的臨床癥狀和基本情況作為輸入端，1年隨訪后的實(shí)際療效作為輸出端，通過7種模型學(xué)習(xí)訓(xùn)練后發(fā)現(xiàn)，相較于傳統(tǒng)的機(jī)器學(xué)習(xí)模型，基于深度學(xué)習(xí)的模型能夠更好地預(yù)測患者術(shù)后的療效，進(jìn)一步證實(shí)了深度學(xué)習(xí)在復(fù)雜疾病預(yù)后評(píng)估中的優(yōu)勢和潛力。

3.2 使用基于NLP的深度學(xué)習(xí)模型輔助手術(shù)治療

在手術(shù)方面，人工智能發(fā)揮著不可替代的作用，如脊柱手術(shù)中螺釘?shù)闹萌胄枰浅＞_[33]，采用智能手術(shù)規(guī)劃與虛擬手術(shù)仿真系統(tǒng)輔助骨科醫(yī)師熟悉局部解剖和制定術(shù)前規(guī)劃，在保證手術(shù)質(zhì)量的前提下，能夠最大程度地減少骨質(zhì)損失，并提高手術(shù)效率和準(zhǔn)確性[34]。目前采用深度學(xué)習(xí)模型預(yù)測相應(yīng)腰椎手術(shù)節(jié)段的相關(guān)問題尚未有學(xué)者關(guān)注，但在臨床工作中，對(duì)腰椎手術(shù)節(jié)段的判定常是多維度的，需綜合考慮臨床癥狀、一般體征、定位體征以及影像學(xué)證據(jù)等因素，其中影像學(xué)證據(jù)在手術(shù)節(jié)段的判定中權(quán)重較高。通常對(duì)一個(gè)腰椎節(jié)段是否需要手術(shù)主要從椎間盤是否存在突出壓迫、神經(jīng)根管是否存在狹窄、相應(yīng)節(jié)段是否存在椎管狹窄、是否符合整體生物力學(xué)穩(wěn)定性等方面進(jìn)行綜合判斷[35]。該綜合判斷過程對(duì)外科醫(yī)師的臨床經(jīng)驗(yàn)依賴性較高，若將有豐富經(jīng)驗(yàn)的外科醫(yī)師對(duì)相應(yīng)腰椎節(jié)段是否需要手術(shù)做出的判斷結(jié)果作為輸出端，將影像學(xué)證據(jù)、臨床癥狀數(shù)據(jù)、體征數(shù)據(jù)以及其他輔助檢查數(shù)據(jù)作為輸入端對(duì)深度學(xué)習(xí)模型進(jìn)行訓(xùn)練，可通過深度學(xué)習(xí)模型實(shí)現(xiàn)對(duì)需要手術(shù)節(jié)段的預(yù)測。有研究發(fā)現(xiàn)，CNN模型預(yù)測傷口并發(fā)癥和病死率的敏感性高于邏輯回歸(logistics regression，LR)模型[36-37]?；贚R和CNN的機(jī)器學(xué)習(xí)模型在識(shí)別后路腰椎固定術(shù)并發(fā)癥的危險(xiǎn)因素方面較基準(zhǔn)美國麻醉醫(yī)師學(xué)會(huì)(ASA)評(píng)分更準(zhǔn)確，表明機(jī)器學(xué)習(xí)可能是脊柱手術(shù)中危險(xiǎn)因素分析的重要工具[36]。CNN模型將有助于輔助外科醫(yī)師做出手術(shù)方案的決策，如預(yù)測精確性符合預(yù)期，對(duì)該模型的推廣使用將有助于輔助基層脊柱外科醫(yī)師對(duì)腰椎手術(shù)方案做出更精準(zhǔn)的判斷，從而對(duì)患者進(jìn)行更優(yōu)化的治療。

3.3 使用基于NLP的深度學(xué)習(xí)模型預(yù)測腰椎術(shù)后并發(fā)癥的風(fēng)險(xiǎn) 臨床上通常通過綜合分析患者術(shù)前及術(shù)后各項(xiàng)臨床數(shù)據(jù)，并探討這些數(shù)據(jù)與術(shù)后并發(fā)癥或其他不良反應(yīng)的相關(guān)性，從而預(yù)測術(shù)后并發(fā)癥的發(fā)生，如有研究發(fā)現(xiàn)，手術(shù)時(shí)間與術(shù)后腿痛癥狀的嚴(yán)重程度存在相關(guān)性[38]。但這種對(duì)數(shù)據(jù)相關(guān)性進(jìn)行分析而得出結(jié)論的研究方法常疏于考慮不同數(shù)據(jù)之間微小聯(lián)系對(duì)總體結(jié)果的影響，且不同數(shù)據(jù)之間的微小聯(lián)系通過相關(guān)分析常無法得出顯著性結(jié)論；此時(shí)，引入深度學(xué)習(xí)模型將有助于綜合分析臨床診療數(shù)據(jù)與結(jié)果(出院后死亡、非常規(guī)出院、并發(fā)癥、術(shù)后再入院)的關(guān)系。近年來有學(xué)者分別建立相關(guān)模型[22,39-47]，對(duì)預(yù)測腰椎間盤疾病手術(shù)患者的非常規(guī)出院，評(píng)估老年患者的椎體強(qiáng)度并預(yù)測椎體骨折風(fēng)險(xiǎn)，預(yù)測后路腰椎融合術(shù)后30 d再入院的可能等進(jìn)行相應(yīng)研究，結(jié)果表明，這些深度學(xué)習(xí)模型都具有良好的相關(guān)性和準(zhǔn)確性(表2)。因此，在實(shí)踐中可以考慮將各項(xiàng)診療過程中的臨床數(shù)據(jù)作為輸入端，各并發(fā)癥的發(fā)生作為輸出端，建立通過患者臨床數(shù)據(jù)預(yù)測手術(shù)后情況的新方法，進(jìn)而輔助外科醫(yī)師在術(shù)前、術(shù)中及術(shù)后制定更優(yōu)化的治療方案。

表2 利用機(jī)器學(xué)習(xí)或深度學(xué)習(xí)模型預(yù)測頸腰椎疾病術(shù)后療效的相關(guān)研究Tab.2 Related researches on predicting the postoperative outcomes of cervical and lumbar spine diseases using machine learning or deep learning models

4 總結(jié)與展望

目前，我國醫(yī)療的核心矛盾是以醫(yī)師為核心的醫(yī)療資源供給遠(yuǎn)不能滿足患者快速增長的需求，導(dǎo)致我國對(duì)醫(yī)療人工智能的需求巨大[48]。在疾病診治過程中，患者隨訪跟蹤率低、病例數(shù)據(jù)非結(jié)構(gòu)化、臨床工作繁忙、壓力大是骨科醫(yī)師工作中的難點(diǎn)。據(jù)估計(jì)，美國的門診診斷錯(cuò)誤率為5.08%，每年有600萬患者因?yàn)殄e(cuò)誤的診斷而受到二次傷害[49]。當(dāng)前，深度學(xué)習(xí)人工智能的應(yīng)用仍處于起步階段，面臨諸多挑戰(zhàn)，如數(shù)據(jù)鏈不完整、數(shù)據(jù)量過小及各平臺(tái)數(shù)據(jù)不穩(wěn)定等問題。臨床大數(shù)據(jù)是AI發(fā)展的基石，將大數(shù)據(jù)集非結(jié)構(gòu)化，使數(shù)據(jù)變的直觀可視，最終轉(zhuǎn)化為通用性工具供醫(yī)護(hù)人員和患者使用至關(guān)重要。例如，Karhade等[50]的研究納入26 364例因腰椎退變性椎間盤疾病接受擇期住院手術(shù)的患者，發(fā)現(xiàn)非常規(guī)出院率為9.28%，而深度學(xué)習(xí)算法在非常規(guī)出院術(shù)前預(yù)測的內(nèi)部驗(yàn)證方面顯示出了良好的效能，分析這些數(shù)據(jù)并用于決策支持，可為臨床醫(yī)師提供更多客觀和定量信息，輔助診斷，減少漏診、誤診，制定合適的治療方案等。

綜上所述，深度學(xué)習(xí)人工智能技術(shù)應(yīng)用于醫(yī)療領(lǐng)域，有利于提高醫(yī)療水平和診斷的準(zhǔn)確率，并可增加優(yōu)質(zhì)醫(yī)療資源的覆蓋廣度。隨著深度學(xué)習(xí)人工智能技術(shù)的不斷發(fā)展，數(shù)據(jù)的不斷積累，深度學(xué)習(xí)人工智能技術(shù)在醫(yī)療領(lǐng)域的應(yīng)用前景將更加廣闊。