深度學習在脊柱影像及診療中的應用進展

帕哈提·吐遜江，楊來紅，常玉山，何 雄，郭 輝

新疆醫(yī)科大學第一附屬醫(yī)院影像中心，新疆 烏魯木齊830054

近年來，我國人口老齡化的現(xiàn)狀正加速推進，這大大增加了相關群體的脊柱局部損傷，脊柱疾病的患病風險呈上升趨勢［1］。為了方便臨床醫(yī)生觀察并迅速判斷脊柱各正常及異常結構，脊柱影像學檢查顯得尤為重要。即使X線成像、CT、MRI等技術逐漸或已成為在脊柱疾病診療過程中一線且常用的檢查手段，但相當一部分脊柱疾病的診斷、脊柱術前及術后的評估預測仍存在諸多挑戰(zhàn)及困難，患者無法及時得到精準的早期診斷及治療，難以滿足當今的臨床診療需求［2］。積極尋求一種快速而又無創(chuàng)的方法，實現(xiàn)對脊柱圖像精準識別及對脊柱相關疾病早期診斷及預測是非常有必要的。

現(xiàn)如今，騰飛的人工智能（AI）技術與脊柱影像及診療的融合，迅速推動并促進了臨床脊柱診療工作向智能、精準化方向發(fā)展，尤其是深度學習（DL）方法［3-4］。DL是機器學習研究中一個新的無監(jiān)督學習的神經網絡領域。它是建立并模擬人腦進行分析學習，進而模仿人腦的機制來解釋數(shù)據(jù)［5-6］。DL強調的是模型結構的深度，并通過構建具有很多隱層的機器學習模型和海量的訓練數(shù)據(jù)，使各層次特征學習變得更加容易，從而最終提升分類或預測的準確性［7］。DL主要應用于圖像識別、語音識別及自然語言處理等領域，特別是在脊柱醫(yī)學領域得到了廣泛研究與應用［8-9］。然而，DL在脊柱方面的研究相對較少并仍處于起步階段，在與臨床實踐相結合的研究更是缺乏，未來具有較大發(fā)展?jié)摿斑M步空間。本文將從DL在脊柱圖像識別、分割及測量，脊柱疾病的診斷及脊柱手術預后評估3個方面中的應用及研究進展進行綜述，助力DL在脊柱影像及脊柱診療研究更深入、更高水平的發(fā)展。

1 DL在脊柱圖像識別、分割及測量

脊柱具有復雜的組織解剖，與神經、血管走行關系密切，提高對脊柱各結構的精準識別、分割和術前各測量指標的評估能力是開展高水平脊柱手術的關鍵環(huán)節(jié)。DL在脊柱分割及測量相關的研究相對較集中，文獻報道主要在椎體的定位，椎體及椎間盤的分割，角度測量及植入物識別等方面研究。

1.1 X線圖像

有學者構建了一種基于X線的頸椎圖像全自動分割框架，該DL框架的任務包括椎體定位、椎體中心定位及椎體分割［10］。利用卷積神經網絡椎體定位獲得的敏感度及特異性均為0.97，中心定位框架能夠檢測到93.73%的椎體，損失函數(shù)-形狀感知分割產生的平均Dice系數(shù)為0.944；該完整的、全自動的基于X線圖像椎體分割框架所產生的最終Dice系數(shù)為0.84。Kónya等［11］采用語義分割模型（U-Net、PSPNet、DeepLabv3）和實例分割模型（Mask R-CNN、YOLACT）對腰椎側位X線圖像中的椎體進行識別。建模完成后分割結果顯示，語義分割模型與實例分割模型的像素精度和交并比相差不大；而實例分割模型的椎體識別率在統(tǒng)計學上顯著優(yōu)于語義分割模型的識別率。即使椎體在嚴重病變或者處于術后狀態(tài)的情況下，實例分割模型仍能夠分割重疊椎體，而語義分割模型不具備這樣的優(yōu)勢。有學者回顧性分析了腰椎術后患者的X線圖像并對不同來源的5種椎弓根螺釘植入物進行標記，進而通過CNN對它們作相應識別，發(fā)現(xiàn)三種不同的DL模型對椎弓根螺釘植入物的識別準確率為76.0%～98.7%，召回率為72.0%～98.4%［12］。在不久的將來，該方法或許能夠應用于臨床，為患者護理及再次實施翻修治療提供更有價值的信息。

1.2 CT圖像

有學者提出了在脊柱三維CT圖像上全自動椎體形態(tài)測量和Cobb角測量的DL框架，并在外部數(shù)據(jù)集中驗證了該框架的可行性［13］。使用U-Nets方法以椎體和椎間盤高度作形態(tài)學測量，并以冠狀位和矢狀位Cobb角行脊柱彎曲度的測量。DL框架與人工測量值的誤差極小，線性回歸結果顯示出極好的一致性。

1.3 MRI圖像

有研究引入了一個新型區(qū)域-圖像匹配深度神經網絡模型，該模型能夠自動、同步的識別椎間盤和分割多模態(tài)MRI圖像［14］。該研究通過準確度、Dice系數(shù)、平均對稱表面距離、杰卡德相似系數(shù),豪斯多夫距離及F1分數(shù)等多個指標綜合評價了模型的性能。該模型識別分割準確率達94%，Dice系數(shù)為91.7±0.01，杰卡德相似系數(shù)為0.87±0.02，平均對稱表面距離為0.54±0.04，豪斯多夫距離為0.62±0.02。研究人員在后期采用外部的數(shù)據(jù)集對結果進行了驗證并與其他方法做比較。該DL方法不僅能夠對椎間盤MRI圖像進行高精度的同步識別和分割，并且具有較高的魯棒性和準確性。為了進一步探索DL算法在脊柱醫(yī)學圖像分割領域的臨床價值，有學者研究設計了一種改良BN-U-Net算法，從準確度、敏感度、特異性和AUC四個方面評價了該算法在MRI圖像處理中的應用價值［15］。結果表明，改良BN-U-Net算法較全卷積網絡和U-Net算法的圖像處理時間相比，前者的圖像處理耗時縮短（P<0.05）；改良BN-U-Net分割算法的準確率、敏感度和特異度分別為94.54%±3.56%、88.76%±2.67%和86.27%±6.23%，較全卷積網絡和UNet算法均提高（P<0.05）。因此，改良BN-U-Net分割算法可以進一步提高脊柱MRI圖像的分割質量和精度，對MRI圖像的特征和處理效果具有積極作用，值得在脊柱醫(yī)學圖像分割領域進一步推廣。

AI技術顯著影響著脊柱影像及成像的每一環(huán)節(jié)，如椎體定位、分割、角度測量等，它可以精準識別影像圖像中的各解剖構，自動化完成多種測量問題，并提高了圖像質量及成像效率。未來這些技術的應用普及將為影像科醫(yī)生及脊柱外科醫(yī)生帶來極大的方便，提高工作效率。

2 DL在脊柱疾病的診斷

利用DL來解決脊柱疾病的分類、鑒別診斷問題是目前最突出的研究領域?；诩怪鞣N成像技術的DL算法已被應用于多種脊柱疾病的診斷，包括脊柱腫瘤、脊柱感染、脊柱骨質疏松、脊柱側彎畸形、脊柱骨折、脊柱退行性疾病等。

2.1 脊柱腫瘤

脊柱腫瘤的診治復雜且難度大，已成為全球脊柱領域重點研究的焦點。DL在脊柱腫瘤方面的研究漸漸增多。有學者借助圖靈測試開發(fā)了一個檢測脊柱原發(fā)性腫瘤DL模型-快速R-CNN［16］。該網絡的主干包括3種路徑，分別是R-CNN50、R-CNN101、R-CNN152。5位醫(yī)生在訓練集和測試集上MRI圖像標注準確率及平均標注準確率分別為94.44%、97.90%、97.88%。當交并比>0.3時，3種路徑的精確率在脊柱軸位圖像分別為79.1%、79.8%、80.6%；在矢狀位圖像上分別為84.5%、85.2%、86.1%?？焖賀-CNN模型對每個受試者做出了超過30%的誤判并通過了圖靈測試。因此，該模型對脊柱腫瘤的自動檢測與醫(yī)生的標注范圍是相一致的，未來能協(xié)助放射科醫(yī)生或骨科醫(yī)生快速檢測到原發(fā)性脊柱腫瘤，這使臨床工作既省時又高效。有學者通過585例脊柱腫瘤患者的MRI圖像及年齡特征開發(fā)了鑒別診斷脊柱良惡性腫瘤的多模態(tài)融合DL模型，采用的快速RCNN方法包涵腫瘤檢測、MRI多序列及年齡統(tǒng)計三大模塊［17］?；颊吣挲g信息存在或者沒有的情況下，快速RCNN模型在脊柱良惡性腫瘤組織病理學分類上均獲得了較高的準確率，分別為0.821、0.800，且均高于3位醫(yī)生的診斷準確率；除此之外，將年齡信息納入模型內，有助于提高模型的診斷準確性。與醫(yī)生人工定位相比，該DL模型不僅降低了腫瘤定位的錯誤率，還對組織學類型復雜的脊柱良惡性腫瘤具有較好的診斷價值。此模型的開發(fā)，將來或許能為脊柱外科在脊柱腫瘤診療方面提供精準醫(yī)療服務。

2.2 脊柱感染

感染性脊柱炎患者數(shù)量正逐年增加，歸因于多個方面，如中老年患者的抵抗力下降、脊柱有創(chuàng)手術的大量開展、自然環(huán)境因素影響、生活習慣飲食不當?shù)龋?8］。由于臨床上感染性脊柱炎的鑒別診斷較為困難，提高早期診斷準確率及檢出率顯得尤為重要［19］。Kim等[20]構建了基于MRI圖像分類結核性脊柱炎（TS）與化膿性脊柱炎（PS）的深度卷積神經網絡。模型通過計算所有納入患者的DL 評分，綜合評估患者為TS 或者PS 的可能性。深度卷積神經網絡模型鑒別診斷TS與PS的AUC值為0.802，3位放射學專家所產生的AUC值為0.729，兩者診斷性能表現(xiàn)相當。該模型或許能構為臨床提供更大的幫助，更精準地作出脊柱感染具體疾病的診斷。由于CT檢查對脊柱結核檢出率較低，有學者開發(fā)了基于CT圖像的計算機輔助診斷TS的DL框架［21］。該框架融合了4種圖像特征提取算法，包括尺度不變特征變換、加速穩(wěn)健特征、快速定向與旋轉及CNN。此外，該學者還提出了通過虛擬數(shù)據(jù)增強的方法來擴大了TB數(shù)據(jù)集的手工特征。該DL框架由匹配網絡、骨干網絡（ResNet-18/50、VGG-11/16、DenseNet-121/161）、下降網絡和門控信息融合網絡4個主干組成。該研究通過多模態(tài)特征、增強算法、模型穩(wěn)定性和聚焦熱圖進行了詳細的網絡框架性能分析。結果表明，VGG-11網絡在準確率、AUC、敏感度和特異性獲得了最佳診斷性能，分別為98.33%、99.84%、98.33%、98.33%。模型聚焦熱圖范圍明顯在結核桿菌所致的骨質破壞區(qū)域聚集。雖然該研究局限在TS的識別診斷，但它具有一定臨床應用前景，必要時可在偏遠的基層醫(yī)院推廣。DL在脊柱感染性疾病方面的研究相對較少，需要廣大臨床及科研工作者重點關注及探索。

2.3 骨質疏松

有學者將6908例患者分成正常骨密度組、骨量減少組及骨質疏松組，構建并探討了基于CNN的聯(lián)合模型與影像模型對骨量減少與骨質疏松的篩查性能［22］。在影像模型中，基于腰椎X線側位與正位圖像的聯(lián)合模型獲得了最好的診斷性能，測試集與驗證集的AUC值為0.909～0.937。臨床信息與影像相結合的CNN聯(lián)合模型與影像模型相對比，前者的AUC 值增加了2%～4%，同時其特異性和陽性預測值也有所提高。骨質疏松和骨量減少的早期發(fā)現(xiàn)有助于識別椎體骨折風險的人群，并實施早期干預措施，防止病情進一步進展。

2.4 脊柱側彎

脊柱側彎的患病群體以青少年和中老年為主，診療過程中患者需要接受放射檢查，不可避免的增加了輻射暴露。另外，脊柱側彎的嚴重程度是DL脊柱外科手術干預的重要評估指標之一，其評估過程受主觀因素較大。因此，非侵入性方法在脊柱側彎方面的應用大大解決了上述的短板。Chen等［23］在脊柱X線圖像上采用DL方法對患者脊柱區(qū)域進行了定位，同時利用Faster R-CNN+Res-Net、TX+SVM及LBP+SVM 3種分類器對脊柱側彎嚴重程度分類性能作出了詳細評價。根據(jù)脊柱Cobb角的大小將脊柱側彎分為4個等級（無疾病、輕度、中度及重度脊柱側彎畸形），用AI的方法實現(xiàn)了脊柱側彎的分類。Faster R-CNN+Res-Net模型對脊柱側彎的二分類、輕度及重度脊柱側彎的二分類獲得了最佳的分類性能明，AUC值均大于0.86。將CNN方法和機器學習中的經典特征提取方法與傳統(tǒng)的SVM算法相結合，提高了模型的可靠性及模型的泛化能力。該模型可為脊柱外科醫(yī)生對脊柱側彎嚴重程度分級診斷提供參考。青少年特發(fā)性脊柱側彎畸形是青少年中最常見的脊柱疾病，全球發(fā)病率為0.5%～5.2%［24］。也有學者同樣構建了基于脊柱X線圖像的Faster R-CNN模型，并使用外部驗證集驗證了其在脊柱側彎檢測和嚴重程度分級方面的可行性及有效性。大量青少年可以通過遠程健康體檢進行疾病篩查，盡可能避免不必要的放射線接觸［25］。

2.5 脊柱骨折

脊柱骨折嚴重威脅著患者的生活質量，患者面臨癱瘓，甚至生命危險。不同類型的脊柱骨折致病因素不同。DL在不同因素所致的脊柱骨折問題方面的研究也正逐漸開展。將MRI圖像作為參考標準，有學者建立了可識別腰椎X線圖像中椎體新鮮壓縮性骨折與陳舊性壓縮性骨折的DL模型［26］。該模型的識別準確率達74%，敏感度為80%，特異性為68%，AUC值為0.80。此外，模型在腰椎側位片較正位片對新鮮壓縮性骨折的識別性能更好，尤其是對嚴重的骨折或椎體粉碎性骨折的識別。為了提高缺乏臨床經驗的臨床醫(yī)生對脊柱良惡性骨折的MRI診斷能力，有研究采用ResNet50算法開發(fā)了一種輔助識別脊柱良惡性骨折的DL模型，與臨床經驗僅為1年的醫(yī)生診斷性能對比，該模型的診斷準確率為92%，其敏感度、特異性均明顯提高了20%以上［27］。有學者通過構建DeepSurv模型和Cox比例風險模型并預測了骨質疏松所致的椎體骨折風險。該研究利用影像和臨床資料訓練了DeepSurv模型，使用一致性指數(shù)比較了DeepSurv模型、骨折風險評估工具以及Cox比例風險模型的性能。結果顯示，基于CNN的預測算法-DeepSurv模型在腰椎側位X線平片上預測骨質疏松所致骨折的性能優(yōu)于骨折風險評估工具和Cox比例風險模型［28］。

2.6 脊柱退行性疾病

隨著人口老齡化的問題日益突出，脊柱退行性疾病的發(fā)病率逐年升高［29-30］。DL在脊柱退行性疾病的研究成為熱門。有研究根據(jù)頸椎X線側位片的影像結果運用CNN模型來判斷了患者是否患有脊髓型頸椎病，該DL模型對脊髓型頸椎病的檢測準確率為87.1%，AUC為0.864（95%CI:0.780～0.949），對脊柱外科醫(yī)生診斷脊髓型頸椎病有一定的參考及幫助［31］。為了幫助醫(yī)生和患者準確有效地評估腰椎間盤退變，Zheng等［32］提出了通過MRI T2WI圖像中提取腰椎間盤退變信息的分割網絡和定量方法。語義分割網絡實現(xiàn)了椎間盤退變相關區(qū)域的高精度分割。采用定量方法計算椎間盤退變的信號強度和幾何特征。該研究亦納入了椎間盤退變參數(shù)與人口統(tǒng)計學信息（如患者年齡、性別、體位和椎間盤退變等級等）之間的關系?？紤]到這些參數(shù)與椎間盤退變等級有較強的相關性，該研究還建立了椎間盤退變的定量標準。該椎間盤退變全自動分割與定量系統(tǒng)可為臨床試驗和更深入的機制研究提供更精確的信息。脊椎滑脫指的是上部椎體相對于下部椎體的移位，可引起相應的神經根癥狀、腰腿痛等。它通常發(fā)生在下腰椎，尤其好發(fā)于60歲以上的女性。隨著全球人口的老齡化，腰椎椎體滑脫的患病率逐年上升，臨床醫(yī)師需采取必要的手段迅速識別它。有研究采用P分級、分段斜率檢測、動態(tài)移位檢測及P分級與分段斜率，開發(fā)了一種計算機輔助診斷下的腰椎網絡框架（Lumbar-Net），并評估了該模型從腰椎X線圖像上自動預測腰椎滑脫的性能［33］。該網絡框架的設計旨在準確地檢測椎體滑脫發(fā)生的位置，并評估上下兩個相鄰椎骨的相對位移。此模型能夠分析包括腰椎X線側位、過伸過屈位圖像上的復雜結構。研究結果表明，該模型在分割椎體區(qū)域時獲得的平均交并比值為0.88，在檢測椎體滑脫時獲得的準確率為88.83%。除此之外，Lumbar-Net在醫(yī)學圖像的識別分割優(yōu)于U-Net，可以作為一種可靠的識別脊柱滑脫的方法。腰椎MRI是評估腰椎椎管狹窄的重要工具，可準確評估腰椎中央管、側隱窩和椎間孔狹窄情況。每個區(qū)域的狹窄程度在確定適當?shù)闹委煼椒ǚ矫嫫鹬饔?，但在報告中詳細描述這些信息可能是重復的和耗時的。有學者在MRI軸位T2WI及矢狀位T1WI圖像上構建并分析了CNN對腰椎中央管、側隱窩和椎間孔狹窄的分類價值，該研究亦運用外部測試集對模型的性能作出了外部驗證，更具有可靠性。與高年資放射科醫(yī)生相比，該DL模型在MRI檢測和分類腰椎管狹窄中側隱窩和腰椎中央管狹窄（正常與輕度狹窄、中度與重度狹窄）的性能顯示出高度一致性，與低年資的放射科醫(yī)生結果相似；模型對椎間孔狹窄識別亦具有較高的一致性，但其性能略低于低年資的放射科醫(yī)生［34］。Lehnen等［35］開發(fā)了一種基于腰椎MRI常規(guī)圖像可標記椎體及椎間盤的CNN模型，并使用該模型檢測了患者是否存在腰椎間盤膨出及突出、椎管狹窄、神經根壓迫和腰椎滑脫等疾病。結果表明，一方面，該模型在椎體及椎間盤分割上表現(xiàn)出100%的最佳性能；另一方面，其在檢測腰椎退行性疾病方面具有中等至較高的診斷敏感度和特異性，分別為52%～89%、80%～99%。其中，模型對椎間盤突出及椎管狹窄顯示出較高的診斷準確性，而對于椎間盤膨出和椎體滑脫的檢測性能相對較低。由此可見，筆者所構建的CNN對各種不同類型的腰椎退行性疾病的檢出是可行的。然而，臨床工作者使用該工具的時間消耗、閱片者的一致性等問題有待進一步科學研究驗證。

3 DL在脊柱手術預后評估

脊柱手術領域充滿著諸多挑戰(zhàn)及機遇，如術前危險因素評估，術后并發(fā)癥預測，療效評估等。在AI騰飛的大背景下，該領域的研究無疑是科研工作者的未來重點攻克的方向。

前路頸椎間盤切除融合術是治療退行性神經根或脊髓型頸椎病應用最廣泛的手術策略之一［36］。有學者在頸椎X線圖像的基礎上評估了CNN對前路頸椎間盤切除融合術術后融合情況-是否融合或者骨不連。該DL模型具有較高的預測性能，其預測準確率為89.5%，AUC為0.889［37］。不久的將來，它有望成為診斷假關節(jié)病的實用輔助手段。后路腰椎間融合術是一種用于治療腰椎各種退行性疾病常用而有效的手術策略［38］。既往有學者用DL模型對接受PLIP的患者是否需要在30 d內再入院治療作出了預測。該模型的平均和中位陽性預測值分別為78.5%和78.0%，平均和中位陰性預測值均為97%［39-40］。由于該研究納入的樣本量較大，為研究結果的可行性及應用價值做出了強有力的支撐。他的研究團隊還通過深度神經網絡模型預測了后路腰椎間融合術術后手術部位感染情況，模型的中位AUC值、陽性預測值及陰性預測值分別為0.787、92.56%、98.45%。

一項研究將接受經皮椎體成形術（PVP）的患者作為對照組，探討了基于CT三維重建圖像的V-Net模型對經皮椎體后凸成形術（PKP）治療骨質疏松性胸腰椎壓縮性骨折的療效［41］。其將V-Net改進優(yōu)化后與U-Net及CNN進行了比較，優(yōu)化后的V-Net的Dice系數(shù)高于U-Net、V-Net和CNN，而豪斯多夫距離低于U-Net和VNet（P<0.05）。研究發(fā)現(xiàn)，PKP 組患者術后椎體后凸Cobb角低于PVP組；同時，椎體前高、中心高、后高均高于PVP 組；PKP 組的視覺模擬評分及鎮(zhèn)痛評分低于PVP組；PKP組的優(yōu)良率高于PVP組。因此，優(yōu)化后VNet比傳統(tǒng)的DL網絡具有更好的分割和重構效果。與PVP組相比，PKP有助于骨質疏松性胸腰椎壓縮性骨折患者術后椎體高度的恢復和脊柱后凸畸形的矯正，鎮(zhèn)痛效果及安全性更好。

諸多證據(jù)表明，神經網絡和脊柱手術的交叉應用，成功地實現(xiàn)了對脊柱手術的術前風險評估及術后管理及轉歸的預測。AI未來必將成為脊柱外科醫(yī)生重要輔助手段，有效而又高效的服務臨床。

4 總結與展望

本研究總結了近些年來DL在脊柱影像分割、脊柱疾病檢測及分類、脊柱手術預測相關研究，進一步證實了DL在脊柱方面的應用及發(fā)展?jié)摿?。AI技術越來越多地被用在脊柱研究，以DL為代表的AI技術與脊柱影像的融合應用，不僅促進了影像診斷學的精準化、智能化發(fā)展，還將為廣大脊柱影像醫(yī)生、脊柱科醫(yī)生及受脊柱疾病長期困擾的患者提供諸多方便，助力醫(yī)學事業(yè)的發(fā)展。

與此同時，DL在脊柱的應用研究仍存在諸多局限性及挑戰(zhàn)，如研究樣本量不夠充足；不同設備及參數(shù)所產生的圖像質量問題；研究過程中缺乏外部驗證和結果的可泛化性等。大數(shù)據(jù)、大樣本是AI解決各類醫(yī)學問題的基礎，更是提高模型準確性的重要一環(huán)，必要時通過多中心疾病數(shù)據(jù)資料的共享來實現(xiàn)，這一方面需要我們重點關注并加以改進。影像圖像質量也是各項研究中不容忽視的一部分，它直接影響著研究結果的準確度。當然，通過使用驗證數(shù)據(jù)集和調整模型的超參數(shù)可驗證當前模型泛化能力，達到對模型能力初步評估的目的，再采用測試集評估模型的最終效能。廣大科研人員需要投入更多的工作來開發(fā)相關的預測模型，解決模型的可重復性問題，將其實際應用價值真正發(fā)揮到醫(yī)療的各個角落，以解臨床之需、患者之急。