趙偉麗，張恩龍，劉珂，王奇政，陳永曄，袁慧書，郎寧*

人工智能(artificial intelligence，AI)主要指機(jī)器學(xué)習(xí)(mechine learning，ML)，而深度學(xué)習(xí)(deep learning，DL)是ML的一種類型，主要包括支持向量機(jī)(support vector machines，SVM)、隨機(jī)森林(random forest，RF)、人工神經(jīng)網(wǎng)絡(luò)(artificial neural network，ANN)等方法，通過建立DL模型可以達(dá)到對(duì)疾病進(jìn)行自動(dòng)定位和檢測(cè)，并對(duì)病變進(jìn)行評(píng)估，預(yù)測(cè)患者的預(yù)后[1]，在做到診斷準(zhǔn)確率、敏感度及特異度與臨床醫(yī)生相當(dāng)甚至超過的情況下，保證診斷的一致性和客觀性，同時(shí)簡(jiǎn)化臨床醫(yī)生重復(fù)的工作。因此，AI以其簡(jiǎn)便快捷、可重復(fù)性高等特點(diǎn)，在全身各系統(tǒng)病變影像領(lǐng)域中的應(yīng)用日趨廣泛。本文通過分析國(guó)內(nèi)外文獻(xiàn)，總結(jié)當(dāng)前AI在脊柱疾病應(yīng)用領(lǐng)域方面的應(yīng)用并進(jìn)行綜述。

1 脊柱良惡性骨折

椎體骨折(vertebral fractures，VFs)是患者下腰痛的重要病因之一，延遲診斷可導(dǎo)致截癱甚至死亡，使預(yù)后惡化。胸腰椎X線平片(plain thoracolumbar radiography，PTLR)是評(píng)價(jià)VFs使用最廣泛的方法，因此盡量減少PTLR上VFs的診斷誤差在初級(jí)診療中十分重要。Murata等[2]采用300例VFs患者的PLTR圖像建立深度卷積神經(jīng)網(wǎng)絡(luò)(deep convolutional neural network，DCNN)的圖像識(shí)別算法以檢測(cè)VFs，達(dá)到了準(zhǔn)確率86.0%、敏感度84.7%，二者均不低于骨科醫(yī)師。此研究雖達(dá)到診斷的目的，但是VFs的程度及其導(dǎo)致的不穩(wěn)定性卻未進(jìn)行評(píng)估，在未來的研究中需不斷探索PTLR作為一種骨折篩查的簡(jiǎn)便方法的更多臨床應(yīng)用價(jià)值。

VFs主要是因創(chuàng)傷和骨質(zhì)疏松導(dǎo)致的良性骨折和腫瘤浸潤(rùn)所致的惡性病理性骨折，臨床需要準(zhǔn)確判別病因以確定治療策略。Ulivieri等[3]建立用于識(shí)別雙能X射線吸收儀的骨應(yīng)變指數(shù)的骨質(zhì)疏松癥脆性骨折預(yù)測(cè)模型來表征易于進(jìn)一步發(fā)生骨折的患者，此模型準(zhǔn)確率、敏感度和特異度分別為79.36%、75%、83.72%。惡性腫瘤的特征在CT上可很好顯示，但與良性疾病合并時(shí)卻無(wú)法準(zhǔn)確區(qū)分。Li等[4]應(yīng)用ResNet 50的自動(dòng)DL算法進(jìn)行CT圖像上良性和惡性骨折的鑒別，結(jié)果顯示診斷敏感度、特異度和總體準(zhǔn)確率分別為95%、80%、88%。但因需要限制混雜因素的影響，此研究中惡性骨折只納入脊柱轉(zhuǎn)移瘤作為代表，對(duì)于其他腫瘤導(dǎo)致的骨折缺乏適用性，未來的研究可以此研究為基礎(chǔ)，擴(kuò)展病例種類和數(shù)量，開發(fā)應(yīng)用性更為廣泛的AI模型。

經(jīng)皮椎體成形術(shù)是VFs的重要治療方式之一，Auloge等[5]使用融合了增強(qiáng)現(xiàn)實(shí)(augmented reality，AR)和AI 的新型導(dǎo)航工具在術(shù)中的經(jīng)椎弓根入路階段進(jìn)行輔助導(dǎo)航，并將AR/AI引導(dǎo)方式(A 組)與標(biāo)準(zhǔn)透視引導(dǎo)方式(B 組)比較進(jìn)行了前瞻性平行隨機(jī)開放試驗(yàn)。結(jié)果顯示A組10例患者全部成功識(shí)別椎骨/椎弓根并生成安全的術(shù)中軌跡，技術(shù)可行性達(dá)到了100%，并在保證了與B 組套管針放置的精度相似的情況下將患者的輻射劑量減少了50%。與標(biāo)準(zhǔn)透視相比，采用AI 輔助引導(dǎo)的方式更加準(zhǔn)確、安全。但此研究的小樣本量限制其臨床普適性，同時(shí)對(duì)于手術(shù)并發(fā)癥缺乏評(píng)估，需要在擴(kuò)大樣本量的基礎(chǔ)上加強(qiáng)臨床隨訪，驗(yàn)證技術(shù)的可行性。

2 脊柱退行性疾病

脊柱退行性疾病主要因脊椎的椎間盤(intervertebral disc，IVD)退行性改變及其繼發(fā)病理改變累及周圍組織結(jié)構(gòu)而出現(xiàn)相應(yīng)的臨床表現(xiàn)，是導(dǎo)致中老年人生活質(zhì)量下降的常見疾病[6]，通過采用AI 的方法可以幫助臨床醫(yī)生對(duì)不同的退行性脊柱疾病進(jìn)行疾病診斷并做到精準(zhǔn)治療。

2.1 腰椎間盤突出

腰椎間盤突出癥(lumbar disc herniation，LDH)通常是由于直接壓迫椎管而造成的神經(jīng)損傷所致，放射科醫(yī)生需要對(duì)每個(gè)腰椎進(jìn)行標(biāo)記以進(jìn)行病因診斷，此過程冗長(zhǎng)、容易出錯(cuò)且重復(fù)性有限，因此自動(dòng)檢測(cè)和定位椎體在LDH 的診療中發(fā)揮重要作用。Zhou 等[7]應(yīng)用卷積神經(jīng)網(wǎng)絡(luò)(convolutional neural network，CNN)并采用遷移學(xué)習(xí)的方法自動(dòng)定位從L1到S1的腰椎，其優(yōu)勢(shì)在于不使用帶標(biāo)記的MR圖像來訓(xùn)練圖像，并且該研究的算法達(dá)到了最高98.6%的準(zhǔn)確率。Li等[8]研究了一種基于全卷積網(wǎng)絡(luò)(fully convolutional networks，F(xiàn)CN)的多模態(tài)3D MR 數(shù)據(jù)進(jìn)行IVD 自動(dòng)定位和分割的方法，此方法平均分割Dice 系數(shù)為91.2%，分割精度明顯提高，同時(shí)，平均定位誤差僅為0.62 mm，采用隨機(jī)模態(tài)體素丟失的策略也提高了神經(jīng)網(wǎng)絡(luò)的識(shí)別能力。Gao 等[9]運(yùn)用PPR (push-pull regularization)的策略提高CNN 模型的表現(xiàn)能力。結(jié)果顯示，使用PPR的不同網(wǎng)絡(luò)結(jié)構(gòu)IVD的平均分類準(zhǔn)確率提高了8%以上。這不僅為IVD 退變的自動(dòng)分級(jí)提供了有效、準(zhǔn)確的方法，也為其他疾病因具有相似性的特征而自動(dòng)分級(jí)有困難的問題提供了一種解決方式。由此表明，由AI 算法支持的腰椎自動(dòng)標(biāo)記與分割有助于輔助醫(yī)生進(jìn)行重復(fù)性的基礎(chǔ)工作，并且隨著研究的不斷發(fā)展，對(duì)于病變程度的評(píng)估也越來越精確。

經(jīng)皮內(nèi)窺鏡腰椎間盤切除術(shù)(percutaneous endoscopic lumbar discectomy，PELD)是LDH 的主要治療方法，而經(jīng)皮內(nèi)窺鏡經(jīng)椎間孔腰椎間盤切除術(shù)(percutaneous endoscopic transforaminal discectomy，PETD)具有出血少、切口短的優(yōu)點(diǎn)，但因腰椎局部骨質(zhì)構(gòu)造(棘突、小關(guān)節(jié)、橫突等)復(fù)雜，故手術(shù)難度較高。因此，F(xiàn)an等[10]回顧性分析共31例腰骶CT數(shù)據(jù)，通過訓(xùn)練3D U-net實(shí)現(xiàn)L5/S1水平局部的骨質(zhì)構(gòu)造的自動(dòng)分割，同時(shí)進(jìn)行三維重建和椎間孔成形術(shù)模擬操作以判斷PETD手術(shù)難度。結(jié)果顯示，Kambin三角面積在DL-3D (deep learning-derived 3D)模型和GT-3D (ground truth-derived 3D)模型上相似(P=0.206)，且重測(cè)信度和觀察者間測(cè)量值可靠性均較高。Harada等[11]通過使用Python的XGBoost分類器建立預(yù)測(cè)模型識(shí)別PELD術(shù)后腰椎間盤再突出風(fēng)險(xiǎn)的患者并發(fā)現(xiàn)BMI在內(nèi)的一系列潛在危險(xiǎn)因素，此模型代表預(yù)測(cè)概率與真實(shí)結(jié)果差異的Brier分?jǐn)?shù)僅為0.21。通過將AI模型應(yīng)用于LDH患者的手術(shù)，不僅可改善手術(shù)效果，而且可對(duì)術(shù)后并發(fā)癥的危險(xiǎn)因素提早干預(yù)，改善患者預(yù)后。

2.2 腰椎管狹窄癥

腰椎管狹窄癥(lumbar spinal stenosis，LSS)的診斷和評(píng)估主要依靠臨床癥狀、電生理和影像學(xué)檢查，腰椎MRI 因其可同時(shí)提供病因和嚴(yán)重程度的信息而成為L(zhǎng)SS 最常使用的影像學(xué)方法，但是醫(yī)生對(duì)于每個(gè)椎管結(jié)構(gòu)狹窄程度的詳細(xì)描述是耗時(shí)的，并且尚無(wú)一種標(biāo)準(zhǔn)化的分級(jí)體系對(duì)LSS進(jìn)行描述。

Li 等[12]建立一個(gè)雙分支多尺度CNN 模型——MANet 用于自動(dòng)分割椎體、椎板和硬膜囊，上、下級(jí)分支分別進(jìn)行特征提取和關(guān)鍵信息篩選，充分利用采用多尺度方式所提供的脊柱圖像信息。結(jié)果顯示，MANet模型的Dice相似系數(shù)達(dá)到92.52%，平均表面距離僅為2.71 mm，并且與人工標(biāo)注結(jié)果較為符合。Won 等[13]以及Hallinan 等[14]均采用建立雙組分DL 模型的方法，首先建立一個(gè)基于CNN 的檢測(cè)器用于定位中央管、側(cè)隱窩、椎間孔區(qū)域，其次采取一個(gè)基于CNN 的分類器用于預(yù)測(cè)所定位區(qū)域的狹窄分級(jí)。通過對(duì)比分析，雙組分DL 模型預(yù)測(cè)能力與放射專家的分級(jí)結(jié)果相當(dāng)，實(shí)現(xiàn)了椎管狹窄的自動(dòng)檢測(cè)和分級(jí)。以上研究表明，DL 方法有望成為臨床醫(yī)生診斷和評(píng)估LSS的有效輔助工具。

LSS 合并退行性腰椎滑脫患者的外科治療有很大的實(shí)踐差異，因?yàn)閮H用減壓治療的患者中只有30%會(huì)出現(xiàn)延遲不穩(wěn)定，所以很多患者進(jìn)行手術(shù)減壓以減輕神經(jīng)壓迫癥狀時(shí)不需進(jìn)行腰椎融合。因此，Ghogawala 等[15]通過使用AI 的方法，從數(shù)據(jù)庫(kù)選擇大量真實(shí)臨床數(shù)據(jù)建模以預(yù)測(cè)影響外科醫(yī)生決策的因素，在數(shù)據(jù)量增加的同時(shí)保證提高準(zhǔn)確率，給出一個(gè)可以在臨床中實(shí)踐的診斷建議方法，初步確定上述30%的患者在單純椎板減壓切除術(shù)后會(huì)出現(xiàn)延遲不穩(wěn)定，選擇最佳的患者進(jìn)行腰椎器械融合，從而改善手術(shù)結(jié)果。

2.3 脊髓型頸椎病

脊髓型頸椎病(cervical spondylotic myelopathy，CSM)的病理主要為脊髓病變和神經(jīng)束微結(jié)構(gòu)損傷，精確檢測(cè)此種病變的一種方法為擴(kuò)散張量成像(diffusion tensor imaging，DTI)，但是臨床醫(yī)生利用DTI 診斷和評(píng)價(jià)CSM 在臨床中是一個(gè)技術(shù)挑戰(zhàn)。

Wang 等[16]將脊髓截面白質(zhì)ROI 部分的背側(cè)、外側(cè)和腹側(cè)分為5種體素?cái)?shù)據(jù)集，使用SVM、支持張量機(jī)、貝葉斯算法對(duì)健康對(duì)照組和CSM 組進(jìn)行分類，并比較DTI 擴(kuò)散指數(shù)對(duì)CSM 的檢測(cè)效率。結(jié)果顯示，使用60 個(gè)體素?cái)?shù)據(jù)的SVM 分類器的準(zhǔn)確率、敏感度和特異度最高(分別為95.73%、93.41%、98.64%)，相較于傳統(tǒng)上基于感興趣區(qū)域平均值(準(zhǔn)確率81.52%，敏感度54.33%，特異度92.43%)表現(xiàn)出更多特征，因此利用ML 技術(shù)可為CSM 的分類提供一個(gè)強(qiáng)有力的工具。手術(shù)減壓被認(rèn)為是CSM患者緩解脊髓壓迫的最直接方法，準(zhǔn)確的術(shù)后評(píng)價(jià)將指導(dǎo)外科醫(yī)生選擇最合適的治療方案。Jin 等[17]通過綜合分析包括壓迫最嚴(yán)重的頸椎水平在內(nèi)的全部頸椎水平的脊髓內(nèi)部組織的信息，比較全脊髓和感興趣區(qū)域的DTI 特征。結(jié)果顯示基于感興趣區(qū)域的所有頸椎層面比傳統(tǒng)的基于全脊髓的壓縮最嚴(yán)重的頸椎水平的DTI 特征更有效(準(zhǔn)確率分別為89.7%±1.6%、66.2%±3.4%)，并且這些DTI 特征可以通過使用徑向基函數(shù)SVM 的AI 框架成功地進(jìn)行分析(準(zhǔn)確率為89.7%±1.6%)。Khan 等[18]回顧性分析了757 例因CSM 而接受手術(shù)減壓患者的數(shù)據(jù)，使用手術(shù)前和手術(shù)后1 年的改良日本骨科協(xié)會(huì)(modified Japanese Orthopedic Association，mJOA)評(píng)分評(píng)估功能狀態(tài)，根據(jù)1 年后mJOA 是陰性(功能狀態(tài)更差)或非陰性進(jìn)行衡量。結(jié)果顯示，多項(xiàng)式SVM為最佳ML算法，曲線下面積(area under the curve，AUC)為0.834。同時(shí)，最初的mJOA 評(píng)分、性別、CSM 病程以及是否存在合并癥是CSM 術(shù)后1 年后功能是否惡化的重要預(yù)測(cè)因素。此外，Zhang 等[19]利用CSM 患者術(shù)前軸位T2*WI 影像提取放射組學(xué)特征并建立ML 模型預(yù)測(cè)CSM術(shù)后脊髓功能。研究顯示，線性SVM預(yù)處理+SVM模型具有最佳性能(AUC為0.74±0.08)，且優(yōu)于最佳傳統(tǒng)放射學(xué)模型(AUC 為0.53±0.09)。這些研究表明，AI 方法對(duì)CSM 術(shù)后效果的預(yù)測(cè)是可行和有效的，并且能夠與放射組學(xué)相結(jié)合處理其提取的特征并建立預(yù)測(cè)模型，確定相關(guān)預(yù)測(cè)因素。

3 脊柱腫瘤

脊柱腫瘤可分為良性、惡性的二分類以及良性、轉(zhuǎn)移及原發(fā)惡性的三分類，每種分類方法對(duì)臨床的意義不同。Chianca等[20]采用DL方法建立上述脊柱腫瘤二分類模型和三分類模型，結(jié)果顯示，DCNN為最佳二分類模型且準(zhǔn)確率達(dá)到90%以上，有望取代有創(chuàng)的經(jīng)皮穿刺活檢方法。但三分類模型結(jié)果較差，這也表明了腫瘤的異質(zhì)性大的特點(diǎn)。與此同時(shí)，針對(duì)不同腫瘤患者治療方式的差異也較大。這些腫瘤臨床特點(diǎn)對(duì)AI 模型的建立和應(yīng)用都提出了巨大的挑戰(zhàn)。

3.1 脊柱原發(fā)性腫瘤

脊柱原發(fā)性腫瘤在脊柱腫瘤中少見，其中較為常見的腫瘤包括骨巨細(xì)胞瘤、脊索瘤和各種肉瘤。骨巨細(xì)胞瘤易復(fù)發(fā)，術(shù)前預(yù)測(cè)腫瘤的復(fù)發(fā)可能性有助于在積極切除腫瘤組織和術(shù)后保持良好生活質(zhì)量之間選擇最佳治療。Wang 等[21]應(yīng)用SVM選擇基于從脊柱骨巨細(xì)胞瘤術(shù)前CT 提取的影像學(xué)特征，包括4個(gè)一階直方圖參數(shù)和6個(gè)紋理特征，以此構(gòu)建高斯核分類模型，采用10倍交叉驗(yàn)證的受試者工作特征(receiver operating characteristic，ROC)曲線分析來區(qū)分復(fù)發(fā)和非復(fù)發(fā)病例。結(jié)果顯示所有10 個(gè)特征的最終預(yù)測(cè)模型的AUC 為0.78，總體預(yù)測(cè)準(zhǔn)確率為89%，表明此模型可有效地預(yù)測(cè)脊柱骨巨細(xì)胞瘤的早期復(fù)發(fā)。Karhade 等[22]在2018 年首次將AI 用于脊索瘤研究，他們開發(fā)了用于預(yù)測(cè)脊索瘤生存期的ML 模型，將確診年齡、腫瘤大小、位置和浸潤(rùn)范圍、手術(shù)范圍作為預(yù)測(cè)變量，結(jié)果顯示貝葉斯點(diǎn)機(jī)模型在識(shí)別(AUC=0.8)和校準(zhǔn)(斜率=1.01)方面有最佳性能。Ryu 等[23]通過使用多模態(tài)算法訓(xùn)練和驗(yàn)證風(fēng)險(xiǎn)估計(jì)距離生產(chǎn)神經(jīng)網(wǎng)絡(luò)來預(yù)測(cè)脊柱—骨盆軟骨肉瘤診斷后的生存率。結(jié)果顯示，不同訓(xùn)練驗(yàn)證組和測(cè)試組之間的一致性指數(shù)和平均AUC均達(dá)到0.8以上。并且，研究者們將患者按照不同的估計(jì)生存概率分為5 個(gè)預(yù)后亞組，在圍手術(shù)期識(shí)別這些亞組在預(yù)測(cè)患者存活率的同時(shí)也有利于治療方式的選擇。

3.2 脊柱轉(zhuǎn)移瘤

脊柱轉(zhuǎn)移瘤是脊柱最常見的惡性疾病，由于骨轉(zhuǎn)移患者的中位生存期少于6 個(gè)月，所以骨轉(zhuǎn)移成為大多數(shù)癌癥患者的死亡原因，因此對(duì)脊柱轉(zhuǎn)移瘤的準(zhǔn)確診斷和治療就顯得尤為重要。

Wang等[24]通過使用Siamese深度神經(jīng)網(wǎng)絡(luò)方法對(duì)26例脊柱轉(zhuǎn)移瘤患者進(jìn)行分析，驗(yàn)證在MRI中自動(dòng)檢測(cè)脊柱轉(zhuǎn)移瘤的可行性，結(jié)果顯示通過該方法檢測(cè)脊柱轉(zhuǎn)移病灶的正確率達(dá)到100%。Liu等[25]建立RF預(yù)測(cè)模型用于預(yù)測(cè)甲狀腺癌骨轉(zhuǎn)移的高危患者，結(jié)果顯示RF模型的預(yù)測(cè)能力優(yōu)于傳統(tǒng)的Logistic回歸模型。不僅提高了甲狀腺癌患者骨轉(zhuǎn)移的診出率，而且有助于替代成本高、特異度低且輻射量大的骨掃描檢查方法。

但是脊柱轉(zhuǎn)移瘤患者中大約30%表現(xiàn)為未知的原發(fā)性，若能準(zhǔn)確預(yù)測(cè)轉(zhuǎn)移瘤的起源，有助于確定最合適的成像方法來定位原發(fā)腫瘤，選擇最合理的治療方法。在所有表現(xiàn)為脊柱疼痛且原發(fā)癌部位不明的患者中，肺癌骨轉(zhuǎn)移是最常見的。Lang等[26]應(yīng)用動(dòng)態(tài)增強(qiáng)MRI回顧性研究了61例之前沒有腫瘤診斷史但后來證實(shí)有轉(zhuǎn)移的患者(30例肺癌，31例非肺癌)，采用CNN來區(qū)分來源于肺癌和其他非肺來源腫瘤的脊柱轉(zhuǎn)移瘤，結(jié)果表明使用整個(gè)DCE圖像集的DCNN的診斷準(zhǔn)確率可達(dá)到81%。TNM分期系統(tǒng)是一種基于病理解剖的預(yù)測(cè)工具，但是也有相當(dāng)數(shù)量處于相同階段的患者的預(yù)后明顯不同。Huang等[27]納入5973例骨轉(zhuǎn)移的非小細(xì)胞肺癌患者，選擇多種臨床學(xué)參數(shù)并使用XGBoost算法、RF、SVM和Logistic算法生成預(yù)測(cè)模型，通過使用ROC曲線比較各種模式的性能。結(jié)果顯示，與其他模型相比，XGBoost模型在訓(xùn)練集和驗(yàn)證集上顯示出更好的可靠性和準(zhǔn)確性(訓(xùn)練集、內(nèi)部驗(yàn)證集和外部驗(yàn)證集的AUC 分別為0.792、0.786和0.764)，可用于預(yù)測(cè)非小細(xì)胞肺癌伴骨轉(zhuǎn)移的一年死亡率。同時(shí)，XGBoost模型可以應(yīng)用于醫(yī)療信息系統(tǒng)，作為一種實(shí)用的臨床預(yù)測(cè)模型，幫助臨床醫(yī)生制訂更佳的治療方案。

手術(shù)和放射治療是脊柱轉(zhuǎn)移瘤的主要治療方法[28]。脊柱轉(zhuǎn)移瘤手術(shù)預(yù)后的影響因素多樣。Massaad等[29]試用RF、最小絕對(duì)收縮和選擇算法回歸、梯度提升決策樹三種DL 模型對(duì)轉(zhuǎn)移性脊柱腫瘤脆弱指數(shù)(the metastatic spinal tumor frailty index)包含的預(yù)測(cè)因子進(jìn)行建模以預(yù)測(cè)術(shù)后主要并發(fā)癥、住院死亡率和住院時(shí)間，但每種模型的AUC 僅分別為0.62、0.53、0.54，且每種預(yù)測(cè)變量重要性分布不同，其原因可能與不同原發(fā)腫瘤類型有關(guān)。由此表明雖然DL 方法可對(duì)復(fù)雜臨床數(shù)據(jù)進(jìn)行分析以提高預(yù)測(cè)精度，但是模型的應(yīng)用程度更需結(jié)合臨床考慮。隨著技術(shù)的進(jìn)步，脊柱轉(zhuǎn)移瘤的精準(zhǔn)放射治療并最大程度地保護(hù)周圍正常組織成為臨床醫(yī)生的一大目標(biāo)，而其基礎(chǔ)則為脊柱結(jié)構(gòu)準(zhǔn)確的勾畫。Arends 等[30]采用多尺度CNN 模型在CT 圖像上進(jìn)行胸腰椎椎體的分割和標(biāo)記，Dice 相似系數(shù)、Hausdorff 值在內(nèi)部和外部驗(yàn)證中分別為97%和95%、3.6 mm 和4.5 mm，達(dá)到比以往研究更高的準(zhǔn)確率，有利于脊柱轉(zhuǎn)移瘤放射治療計(jì)劃的精準(zhǔn)制訂，改善患者的預(yù)后。

4 脊柱畸形

脊柱畸形(spine deformity，SD)包括一系列復(fù)雜畸形的脊柱疾病，患者的臨床表現(xiàn)和治療方案的異質(zhì)性顯著。

一般Cobb 角＞10°被認(rèn)為對(duì)脊柱側(cè)凸的診斷具有臨床意義，X 線片是其經(jīng)濟(jì)直觀的影像學(xué)評(píng)估方法。但人工測(cè)量Cobb角十分耗時(shí)，因此可利用AI的方法提高脊柱側(cè)凸的診斷效率。Wu 等[31]提出一種結(jié)合正位和側(cè)位X 線片MVC-Net 的AI結(jié)構(gòu)網(wǎng)絡(luò)，此網(wǎng)絡(luò)由一系列聯(lián)合表示脊柱結(jié)構(gòu)的X-模型、脊柱標(biāo)志點(diǎn)估計(jì)器和Cobb 角估計(jì)器構(gòu)成，通過對(duì)526 張X 線片進(jìn)行實(shí)驗(yàn)，結(jié)果表明MVC-Net在正、側(cè)位上的Cobb角的平均絕對(duì)誤差均僅為4°，具有較高的魯棒性和準(zhǔn)確性。但因椎體退化的改變會(huì)導(dǎo)致脊柱標(biāo)志點(diǎn)的變化，故此模型不適合于椎體邊緣骨贅增生的老年患者。Pan 等[32]選取248 張肺癌篩查患者的胸部X 線片，采用兩個(gè)Mask R-CNN 模型分別對(duì)脊柱和所有椎體進(jìn)行檢測(cè)和分割，根據(jù)模型的輸出測(cè)量脊柱曲線的Cobb角，并與2 名經(jīng)驗(yàn)豐富的放射科醫(yī)生手工測(cè)量的結(jié)果進(jìn)行比較，顯示出較高的組內(nèi)相關(guān)系數(shù)(0.854)和診斷敏感度(89.59%)，平均絕對(duì)差值也僅為3.32°，但此模型的診斷特異度較低(70.37%)。Ha 等[33]利用Resnet 101 模型生成自動(dòng)檢測(cè)胸腰椎椎體的包圍盒，之后通過脊柱定位算法提取Cobb 角。結(jié)果顯示，自動(dòng)檢測(cè)椎體的IoU得分為0.83、Dice相似系數(shù)為0.9，Cobb 角測(cè)量結(jié)果的平均絕對(duì)角度差為7.34°，達(dá)到了以較高準(zhǔn)確度實(shí)現(xiàn)Cobb角自動(dòng)化測(cè)量。

Durand等[34]通過一項(xiàng)多中心連續(xù)隊(duì)列的回顧性分析以建立基于放射學(xué)和臨床數(shù)據(jù)的AI 模型來區(qū)分需接受手術(shù)或非手術(shù)治療的患者。此研究納入1503例成年SD患者，接受手術(shù)治療的患者被定義為在基線檢查后1 年內(nèi)接受手術(shù)的患者，按7∶3分開進(jìn)行訓(xùn)練和測(cè)試，并納入321個(gè)潛在的臨床和放射學(xué)相關(guān)預(yù)測(cè)因素，訓(xùn)練不同AI模型并進(jìn)行比較，結(jié)果顯示SVM模型的性能良好，準(zhǔn)確率為86%。此外，Ames 等[35]建立以AI 為基礎(chǔ)的層次聚類識(shí)別數(shù)據(jù)模式，使用無(wú)監(jiān)督的ML 方法將患者根據(jù)包括放射學(xué)在內(nèi)影響手術(shù)的不同因素進(jìn)行分組并選擇合適的手術(shù)方式，構(gòu)建一個(gè)為期兩年的風(fēng)險(xiǎn)-收益網(wǎng)格來增強(qiáng)術(shù)前決策，使治療模式在風(fēng)險(xiǎn)最低的情況下產(chǎn)生最佳改善，從而促進(jìn)治療優(yōu)化。但是，手術(shù)組數(shù)量會(huì)隨著患者樣本量的增加和手術(shù)方式而有所不同，且分類方法和AI 模型都不是一成不變的。隨著數(shù)據(jù)進(jìn)一步積累和手術(shù)方式的變化，現(xiàn)有模型需與更加客觀的標(biāo)準(zhǔn)進(jìn)行比較以達(dá)到改進(jìn)的目的。

5 總結(jié)與展望

脊柱疾病是由許多不同致病因素相互作用導(dǎo)致的最終結(jié)果，AI 能夠通過ANN 建立各種分析多個(gè)具有不同臨床意義的變量構(gòu)成的非線性模型，輔助臨床醫(yī)生對(duì)脊柱疾病進(jìn)行診療。但現(xiàn)有的AI 模型對(duì)疾病的復(fù)雜性、治療方式的多樣性的分析與醫(yī)生相比尚有一定差距，診斷特異度不高，并且在基層醫(yī)療的實(shí)用性低。同時(shí)，高質(zhì)量的數(shù)據(jù)和經(jīng)過嚴(yán)格測(cè)試的DL 算法是脊柱影像研究中所必需的[36]。針對(duì)現(xiàn)有應(yīng)用于脊柱疾病的AI 模型的構(gòu)建大多是在回顧性研究基礎(chǔ)上的問題，未來研究重點(diǎn)需放在通過更多的前瞻性臨床試驗(yàn)以驗(yàn)證現(xiàn)有AI 模型的臨床實(shí)用性，不斷對(duì)模型進(jìn)行改進(jìn)。隨著信息數(shù)據(jù)化和數(shù)字醫(yī)療的不斷進(jìn)步，在保證對(duì)病人和臨床醫(yī)療軟件的正確管理和應(yīng)用的基礎(chǔ)上，AI 也將使不同脊柱疾病的精準(zhǔn)化和標(biāo)準(zhǔn)化的綜合診療與分析得到改善。

作者利益沖突聲明：全部作者均聲明無(wú)利益沖突。