姚紅艷，鄧興，3，陳曉飛，王聞奇，周晟

1.甘肅中醫(yī)藥大學(xué)第一臨床醫(yī)學(xué)院，甘肅蘭州730000；2.甘肅省中醫(yī)院放射影像科，甘肅蘭州730050；3.南充市中心醫(yī)院介入放射科，四川南充637000

前言

腰痛（Low Back Pain, LBP）是指發(fā)生在肋骨以下、臀下皺襞以上的疼痛、肌緊張或僵硬，伴或不伴坐骨神經(jīng)痛［1］，具有廣發(fā)性［2］，是全球范圍內(nèi)致殘的主要原因［3-5］，亦是造成全球總體疾病負(fù)擔(dān)的第6大因素［6］。對(duì)患者個(gè)體來說，LBP 不僅帶來巨大的經(jīng)濟(jì)負(fù)擔(dān)與精神壓力，還可直接使患者勞動(dòng)能力下降，其比正常人群收入減少約87%［7］。既往研究表明，腰椎間盤退變是引起LBP 最常見的病因［8-9］，椎間盤源性約占39%-41%［10-11］，腰椎不穩(wěn)約占30%［12］。目前，臨床中腰椎X 線檢查是LBP 首選的影像學(xué)方法，其影像空間分辨率高，便于腰椎結(jié)構(gòu)力線及角度的測(cè)量。但腰椎測(cè)量參數(shù)繁多，人工測(cè)量費(fèi)時(shí)費(fèi)力，一致性及重復(fù)性較差，且腰椎X線圖像受診斷醫(yī)師的主觀影響較大，過度分析或分析不足都會(huì)對(duì)患者的臨床治療造成較大的影響［13］。近年來，隨著人工智能（Artificial Intelligence,AI）技術(shù)的蓬勃發(fā)展，眾多學(xué)者對(duì)腰椎X 線攝影影像學(xué)測(cè)量參數(shù)進(jìn)行了智能技術(shù)探索。

1 X線檢查在腰椎疾病中的應(yīng)用

腰椎數(shù)字X 線攝影是LBP最常見的檢查方法［14］，其簡(jiǎn)單經(jīng)濟(jì)，空間分辨率高，對(duì)椎體、小關(guān)節(jié)等骨骼結(jié)構(gòu)顯示清晰，故腰椎X 線圖像可對(duì)腰椎序列、椎體和椎間隙的空間大小、骨關(guān)節(jié)以及軟組織等結(jié)構(gòu)進(jìn)行整體評(píng)估。而腰椎由骨結(jié)構(gòu)、椎間盤及周圍脊髓、血管、韌帶等組織組成，解剖結(jié)構(gòu)極為復(fù)雜。與此同時(shí)，隨著醫(yī)療數(shù)據(jù)的增加以及醫(yī)學(xué)影像由單純的觀察解剖結(jié)構(gòu)向定量化和功能化分析的方向發(fā)展，因此僅憑診斷醫(yī)師對(duì)腰椎X 線圖像的視覺觀察和主觀判斷已不能完全滿足臨床醫(yī)師對(duì)腰椎疾病的精準(zhǔn)診療需求。近年來，眾多學(xué)者對(duì)腰椎X 線圖像中可定量化信息，包括腰椎結(jié)構(gòu)力線及角度等進(jìn)行了相關(guān)研究和探索［15-18］，如腰椎曲度、腰骶角、骶骨傾斜角等X 線參數(shù)，對(duì)腰椎相關(guān)疾病的提示和診斷以及術(shù)后評(píng)估具有一定的臨床價(jià)值［19-21］。X 線測(cè)量參數(shù)及其臨床意義總結(jié)如表1 所示。然而，腰椎X 線人工測(cè)量的可重復(fù)性和再現(xiàn)性受到測(cè)量方法和臨床醫(yī)師主觀的影響。而AI 技術(shù)和深度學(xué)習(xí)算法的興起，使腰椎X線檢查技術(shù)和對(duì)臨床應(yīng)用潛在價(jià)值邁入一個(gè)新紀(jì)元。

表1 腰椎X線測(cè)量參數(shù)及其臨床意義Tab.1 Lumbar X-ray measurement parameters and their clinical significance

2 腰椎X線定量測(cè)量方法的進(jìn)展

近年來，計(jì)算機(jī)技術(shù)的蓬勃發(fā)展使基于腰椎X線定量測(cè)量的方法及結(jié)果得到不斷改進(jìn)和完善，從傳統(tǒng)X線手工測(cè)量，到計(jì)算機(jī)輔助系統(tǒng)測(cè)量以及與AI技術(shù)的結(jié)合。

傳統(tǒng)X 線手工測(cè)量的準(zhǔn)確性和可重復(fù)性依賴于臨床醫(yī)師的經(jīng)驗(yàn)和判斷［22］，據(jù)報(bào)道，不同醫(yī)師Cobb角測(cè)量誤差從3°到10°不等［23-24］。為解決這一問題，Zhang 等［22］采用模糊霍夫變換技術(shù)開發(fā)一種計(jì)算機(jī)輔助檢測(cè)椎體終板的方法，可自動(dòng)識(shí)別上、下端椎并測(cè)量Cobb角，這種方法減少了Cobb角測(cè)量的可變性（ICC>0.9，平均誤差<3°），幫助臨床醫(yī)師較客觀地評(píng)估脊柱側(cè)凸。但該方法需要臨床醫(yī)師判斷選擇感興趣區(qū)域，且測(cè)量速度較慢（平均處理時(shí)間約3 min/張）。Lafage等［25］通過一款新的計(jì)算機(jī)輔助測(cè)量軟件Surgimap（Nemaris Inc.,New York,NY），對(duì)50 名成人脊柱畸形患者X 線圖像的13 個(gè)脊柱-骨盆參數(shù)進(jìn)行測(cè)量，結(jié)果表明，該軟件可快速、準(zhǔn)確地對(duì)全脊柱進(jìn)行分析，而基于解剖標(biāo)注的測(cè)量結(jié)果具有更高的可靠性（ICC≥0.95vs0.84），所需平均時(shí)間為75 s?？梢?，計(jì)算機(jī)輔助測(cè)量有效降低或消除了傳統(tǒng)人工測(cè)量誤差，但對(duì)X 線圖像的整體識(shí)別、分析和測(cè)量速度仍存在一定的局限性。

近幾年，隨著AI 技術(shù)的發(fā)展，基于AI 技術(shù)開發(fā)的腰椎X 線定量測(cè)量模型或工具可自動(dòng)識(shí)別椎體并測(cè)量相關(guān)參數(shù)，提高了醫(yī)學(xué)圖像分析的質(zhì)量和效率。這些工具的出現(xiàn)在減輕臨床醫(yī)師工作負(fù)荷的基礎(chǔ)上，使得腰椎X 線潛在的影像學(xué)信息得以充分利用，對(duì)臨床醫(yī)師定量化分析和精確診斷腰椎相關(guān)疾病及預(yù)后評(píng)估具有重要意義。

3 AI在腰椎X線成像上的應(yīng)用

3.1 AI和深度學(xué)習(xí)

AI 作為計(jì)算機(jī)科學(xué)的一個(gè)分支，研發(fā)用于模擬、延伸和擴(kuò)展人類智能的理論、方法、技術(shù)及應(yīng)用系統(tǒng)的一門信息學(xué)科，主要專注于構(gòu)建算法及通過運(yùn)行算法來實(shí)現(xiàn)以近似人類的認(rèn)知能力分析復(fù)雜的信息，并通過提供客觀的數(shù)據(jù)，更好地輔助臨床醫(yī)師決策，以此來提高診療的客觀性及精準(zhǔn)性［26］。而機(jī)器學(xué)習(xí)（Machine Learning,ML）是AI 的一個(gè)組成部分，是計(jì)算機(jī)在沒有先驗(yàn)知識(shí)的情況下通過自動(dòng)學(xué)習(xí)和執(zhí)行預(yù)定義任務(wù)的過程。根據(jù)用于學(xué)習(xí)的樣本是完全標(biāo)記、部分標(biāo)記還是未標(biāo)記，ML 進(jìn)一步分為監(jiān)督、半監(jiān)督和無監(jiān)督學(xué)習(xí)［27］。

深度學(xué)習(xí)是ML 領(lǐng)域中一個(gè)新的研究方向，相比傳統(tǒng)的AI 算法，其擁有強(qiáng)大的自主學(xué)習(xí)能力。Van等［28］表示，深度學(xué)習(xí)網(wǎng)絡(luò)可以結(jié)合圖像數(shù)據(jù)和放射學(xué)文本報(bào)告，對(duì)圖像做出最佳判斷。深度學(xué)習(xí)包含多個(gè)隱藏處理層的人工神經(jīng)網(wǎng)絡(luò)（Artificial neural network,ANN）算法的子集［29］，通過由許多層網(wǎng)絡(luò)組成的模型，將輸入數(shù)據(jù)（即圖像）轉(zhuǎn)換成輸出信息（如，疾病存在/不存在），取代了傳統(tǒng)的ML 方法。經(jīng)過訓(xùn)練的網(wǎng)絡(luò)可以預(yù)測(cè)或估計(jì)新輸入數(shù)據(jù)的輸出［30］，這種能力使深度神經(jīng)網(wǎng)絡(luò)成為目前醫(yī)學(xué)成像領(lǐng)域中應(yīng)用最多的算法，具有廣闊的醫(yī)學(xué)應(yīng)用前景。

3.2 AI分析X線圖像的基本過程

利用AI技術(shù)分析腰椎X 線圖像的關(guān)鍵技術(shù)主要包括圖像識(shí)別與AI 計(jì)算，主要有以下步驟［29,31］：（1）基于臨床問題的模型設(shè)計(jì)，關(guān)鍵在于選擇易于臨床醫(yī)師決策和廣大患者受益的臨床問題，同時(shí)需獲取大量易于標(biāo)注和學(xué)習(xí)的數(shù)據(jù)；（2）結(jié)構(gòu)化數(shù)據(jù)構(gòu)建，高質(zhì)量的結(jié)構(gòu)化數(shù)據(jù)是學(xué)習(xí)任務(wù)的基礎(chǔ)，模型的準(zhǔn)確性和魯棒性有賴于人工數(shù)據(jù)集的準(zhǔn)確標(biāo)注［32］；（3）AI 算法選擇和模型的建立，不同模型的選擇取決于學(xué)習(xí)數(shù)據(jù)的數(shù)量和復(fù)雜度，但無論使用哪種模型建立算法，必須對(duì)其準(zhǔn)確性、魯棒性和泛化性進(jìn)行驗(yàn)證和測(cè)試［29］；（4）圖像數(shù)據(jù)分割，一般將數(shù)據(jù)分為訓(xùn)練集、驗(yàn)證集和測(cè)試集3 組，使用交叉驗(yàn)證等方法通過訓(xùn)練集預(yù)測(cè)模型穩(wěn)定性，驗(yàn)證集用于模型調(diào)優(yōu)，獨(dú)立的測(cè)試集驗(yàn)證模型的魯棒性和泛化性，最后與專家的決策結(jié)果（金標(biāo)準(zhǔn)）進(jìn)行對(duì)比分析［30］。

3.3 腰椎X線圖像檢測(cè)與分割

腰椎X線圖像的檢測(cè)與分割，是準(zhǔn)確提取圖像特征及綜合分析的基礎(chǔ)和關(guān)鍵，國(guó)內(nèi)外眾多學(xué)者基于AI 技術(shù)開發(fā)了不同模型并進(jìn)行相關(guān)研究和驗(yàn)證［33］。Li 等［34］基于特征融合深度學(xué)習(xí)提出一種新的神經(jīng)網(wǎng)絡(luò)模型，將腰椎的形狀信息和紋理信息兩類特征結(jié)合起來，在不受金屬內(nèi)固定影響的基礎(chǔ)上可自動(dòng)定位和檢測(cè)腰椎X 線圖像中的椎體，準(zhǔn)確率達(dá)89%。Azimi 等［35］通過多層感知器開發(fā)一個(gè)基于多變量的ANN 模型來預(yù)測(cè)復(fù)發(fā)性腰椎間盤突出癥，對(duì)402 例接受腰椎間盤突出癥手術(shù)的患者信息（年齡、腿痛/背痛視覺模擬量表、復(fù)發(fā)性腰椎間盤突出癥、椎間盤突出程度、椎間盤突出類型等）進(jìn)行術(shù)后預(yù)測(cè)，其準(zhǔn)確率達(dá)94.1%，AUC 為0.83%。2016年Sa 等［36］基于方向梯度直方圖特征的多級(jí)支持向量機(jī)分類器和梯度向量流-蛇模型提出一種新的框架，用于從X 線圖像中檢測(cè)和分割椎體，平均準(zhǔn)確率為75%，平均時(shí)間為3 min，但該方法的檢測(cè)速度和算法性能還有待提高。2017年，Sa 等［37］又提出一種新的Faster-RCNN 目標(biāo)檢測(cè)模型，通過少量標(biāo)注的臨床數(shù)據(jù)（974 個(gè)訓(xùn)練圖像）對(duì)模型進(jìn)行訓(xùn)練（圖1），實(shí)現(xiàn)對(duì)腰椎側(cè)位X 線椎間隙的檢測(cè)和分割，平均準(zhǔn)確率為90.5%，每幅圖像的平均計(jì)算時(shí)間為3 s，顯著優(yōu)于傳統(tǒng)方法。

圖1 U-net訓(xùn)練數(shù)據(jù)示例［37］Fig.1 Example of U-net training data［37］

3.4 AI在腰椎X線定量分析上的應(yīng)用

AI 技術(shù)對(duì)腰椎X 線圖像信息的定量評(píng)估成為當(dāng)今影像領(lǐng)域內(nèi)的研究熱點(diǎn)，尤其是以當(dāng)前最具應(yīng)用前景的深度學(xué)習(xí)算法為代表，對(duì)腰椎X線圖像潛在信息的挖掘和利用，使得腰椎相關(guān)疾病的定量分析和診斷成為可能，特別是對(duì)脊柱畸形的定量評(píng)估。Cho等［38］提出一種成熟的卷積神經(jīng)網(wǎng)絡(luò)（Convolutional Neural Network，CNN）分割架構(gòu)U-net，利用629 張腰椎側(cè)位X 線圖像中的70%對(duì)該網(wǎng)絡(luò)進(jìn)行訓(xùn)練，該方法可快速識(shí)別L1 和S1 椎體（平均速度為0.14 s/片），全自動(dòng)測(cè)量脊柱矢狀位參數(shù)，用于輔助評(píng)估腰椎前凸，測(cè)量的角度與外科醫(yī)生的手動(dòng)測(cè)量沒有統(tǒng)計(jì)學(xué)上的顯著差異（MAE為0.855,P>0.05）（圖2）。

圖2 U-net自動(dòng)計(jì)算腰椎前凸角度的算法流程概述［38］Fig.2 Overview of algorithm workflow for automatic lumbar lordosis angle calculation［38］

Horng 等［39］基于脊柱X 線圖像開發(fā)了一個(gè)自動(dòng)測(cè)量系統(tǒng)來評(píng)估脊柱側(cè)凸的嚴(yán)重程度，其通過CNN識(shí)別、分割椎體，然后重建完整的脊柱圖像，基于Cobb 角度計(jì)算脊柱曲率，該方法與人工測(cè)量具有極高的一致性（ICC>0.94）。而Galbusera等［40］將標(biāo)準(zhǔn)全卷積網(wǎng)絡(luò)與可微分的空間到數(shù)值變換相結(jié)合，提出一種新的CNN，通過提取493例脊柱矢狀位和冠狀位雙平面圖像的78個(gè)解剖標(biāo)志點(diǎn)（終板中心、髖關(guān)節(jié)中心和S1終板邊緣）并進(jìn)行三維重建，針對(duì)不同的脊柱結(jié)構(gòu)進(jìn)行建模，除對(duì)Cobb 角進(jìn)行測(cè)量外，還評(píng)估了T4～T12脊柱后凸角、L1～L5脊柱前凸角、骨盆入射角和骶骨、骨盆傾斜度等參數(shù)，其誤差范圍為2.7°～11.5°，該方法可更全面地對(duì)脊柱畸形進(jìn)行全自動(dòng)測(cè)量和分析。2020年，Schwartz 等［41］開發(fā)了一種CNN 分割算法，與計(jì)算機(jī)視覺算法相結(jié)合，用于從腰椎側(cè)位X 線圖像中全自動(dòng)測(cè)量脊柱側(cè)凸參數(shù)，其精確度與外科醫(yī)生相當(dāng)，該算法可簡(jiǎn)化臨床工作流程或進(jìn)行脊柱生理參數(shù)的大規(guī)模研究。

上述研究極大地推動(dòng)了AI技術(shù)自動(dòng)化定量分析腰椎X線圖像的應(yīng)用，在減輕臨床醫(yī)師工作負(fù)荷的同時(shí)，有效降低或消除人工測(cè)量帶來的誤差，其高效、客觀的預(yù)測(cè)結(jié)果對(duì)輔助臨床醫(yī)師從定量角度評(píng)估脊柱畸形等相關(guān)疾病具有很好的應(yīng)用前景。部分學(xué)者［42-45］基于DL 算法也對(duì)腰椎CT、MRI圖像進(jìn)行了相關(guān)的智能探索和分析，取得了令人滿意的結(jié)果。但不論AI技術(shù)與哪種模態(tài)下的腰椎圖像結(jié)合進(jìn)行定量分析和診斷，數(shù)據(jù)規(guī)范化的采集和質(zhì)量的異質(zhì)性、模型的過度擬合與魯棒性的提高以及與醫(yī)學(xué)專家金標(biāo)準(zhǔn)的比較分析等，都是我們未來需要考慮和面臨的難題。

4 結(jié)語

隨著醫(yī)療數(shù)據(jù)的指數(shù)型增長(zhǎng)和AI技術(shù)的蓬勃發(fā)展，AI、ML 與X 線圖像的結(jié)合無疑是對(duì)腰椎病變定量分析和精準(zhǔn)診斷的一場(chǎng)重大變革。AI自動(dòng)化定位和識(shí)別、準(zhǔn)確測(cè)量和分析，不僅節(jié)省了大量的人力物力，而且提高了醫(yī)學(xué)圖像分析的客觀性及精確性。目前，我國(guó)基于AI 結(jié)合X 線圖像檢測(cè)和分析腰椎病變的發(fā)展仍然處于早期階段，因此進(jìn)一步探究醫(yī)學(xué)領(lǐng)域統(tǒng)一的計(jì)算機(jī)數(shù)據(jù)分析程序、算法的改進(jìn)和提升、新的影像學(xué)參數(shù)以及臨床相關(guān)參數(shù)測(cè)量標(biāo)準(zhǔn)，對(duì)臨床研究者制定腰椎相關(guān)疾病新的診斷量化標(biāo)準(zhǔn)，提高疾病結(jié)果解釋的精確性和了解疾病的發(fā)生發(fā)展機(jī)制具有重要意義。