智能影像在青少年特發(fā)性脊柱側(cè)凸中的應(yīng)用

[摘要]"青少年特發(fā)性脊柱側(cè)凸（adolescent"idiopathic"scoliosis，AIS）是常見的脊柱疾病，影響青少年身心發(fā)育。隨著醫(yī)學影像技術(shù)的進步，AIS預(yù)防、診斷、治療等方面取得顯著發(fā)展。本文旨在探討人工智能技術(shù)在AIS診斷與輔助治療中的應(yīng)用與前景。隨著醫(yī)學影像技術(shù)的快速發(fā)展和人工智能算法的日益成熟，人工智能在醫(yī)療領(lǐng)域展現(xiàn)出巨大潛力，為AIS的早期篩查、精確診斷及個性化治療提供新思路。

[關(guān)鍵詞]"青少年特發(fā)性脊柱側(cè)凸；影像；人工智能；機器學習；深度學習

[中圖分類號]"R445.9""""""[文獻標識碼]"A""""""[DOI]"10.3969/j.issn.1673-9701.2024.36.026

脊柱側(cè)凸是一種復(fù)雜的三維脊柱畸形，通常伴隨旋轉(zhuǎn)和扭曲。青少年特發(fā)性脊柱側(cè)凸（adolescent"idiopathic"scoliosis，AIS）病理機制尚不清楚，特指發(fā)生在10歲以上青少年且肌肉骨骼系統(tǒng)完全成熟之前，Cobb角≥10°，并伴有矢狀面曲率改變的疾病[1]。特發(fā)性脊柱側(cè)凸是脊柱側(cè)凸的主要類型，影響2%～4%的青少年，其發(fā)生率0.47%～5.20%。特發(fā)性脊柱側(cè)凸的病理學特點復(fù)雜多樣，其病因和發(fā)病機制涉及遺傳、神經(jīng)病學、激素、組織、生化分析、環(huán)境因素、生活方式、肌肉骨骼系統(tǒng)和生物力學等多個方面。目前，學者們提出多種神經(jīng)學理論來闡釋特發(fā)性脊柱側(cè)凸的病因，包括神經(jīng)發(fā)育、運動控制、身體空間方向、感覺整合和雙神經(jīng)骨理論等[2]。脊柱側(cè)凸的形態(tài)學變化及生物力學的改變可能是導(dǎo)致AIS發(fā)生發(fā)展的關(guān)鍵因素。

1""AIS的影像學研究及進展

AIS是一種脊柱畸形，其病因尚未明確。受青春期的影響，青少年脊柱側(cè)凸發(fā)展迅速。一般而言，10～18周歲是脊柱側(cè)凸畸形接受手術(shù)治療的最佳時期。然而，一部分脊柱側(cè)凸畸形的青少年因多種因素的影響，未能及時發(fā)現(xiàn)并接受治療，造成嚴重后果進而影響患者身心健康。因此早期發(fā)現(xiàn)并實施干預(yù)和治療，有助于在脊柱側(cè)凸進展之前發(fā)現(xiàn)可逆情況，從而減緩或避免病情惡化。在脊柱側(cè)凸的診斷中，X射線成像、多排螺旋CT及磁共振成像等技術(shù)得到廣泛應(yīng)用，智能影像在AIS診斷與輔助治療中的應(yīng)用展現(xiàn)出良好前景，有助于醫(yī)師全面了解患者的脊柱側(cè)凸情況，為醫(yī)生提供準確的診斷依據(jù)。

2""人工智能在AIS中的應(yīng)用現(xiàn)狀

人工智能（artificial"intelligence，AI）技術(shù)在醫(yī)學影像分析中具有廣泛的應(yīng)用，從數(shù)據(jù)中建立學習模型，利用學習成果實現(xiàn)特定的目標和任務(wù)，可提高醫(yī)學影像的診斷效率和準確性，為醫(yī)生做出更準確的診斷和治療決策提供有力支持[3]。醫(yī)學影像數(shù)字化和AI輔助診斷的快速發(fā)展給醫(yī)療影像分析帶來巨大變革，利用深度學習技術(shù)模擬人腦自動學習數(shù)據(jù)各層次抽象特征，分析醫(yī)學影像并給出輔助診斷結(jié)論在現(xiàn)代臨床影像分析工作中具有重要傾向性，將是醫(yī)學輔助診斷發(fā)展的重要趨勢。

2.1""深度學習在脊柱側(cè)凸中的應(yīng)用

在脊柱側(cè)凸中，深度學習是對傳統(tǒng)神經(jīng)網(wǎng)絡(luò)的進階發(fā)展，其核心優(yōu)勢在于可自主構(gòu)建預(yù)測模型，對圖像進行精細學習和理解，提高準確性和穩(wěn)定性及測量精度，減少人工測量誤差等，側(cè)凸圖像結(jié)合深度學習算法進行訓練，對圖像中的關(guān)鍵解剖結(jié)構(gòu)進行精確識別和標記等方法展現(xiàn)出明顯優(yōu)勢，為醫(yī)學影像分析等應(yīng)用領(lǐng)域帶來機遇。

卷積神經(jīng)網(wǎng)絡(luò)是一種適用于Cobb角測量的深度學習算法[4]。Maeda等[5]使用卷積神經(jīng)網(wǎng)絡(luò)在AIS患者自動測量Cobb角的深度學習架構(gòu)，用于脊柱分割和椎骨檢測的預(yù)處理方法，可評估不同體位姿勢下的曲線。Watanabe等[6]利用卷積神經(jīng)網(wǎng)絡(luò)在摩爾紋圖像上對第1胸椎至第5腰椎椎體的位置進行評估，隨脊椎畸形嚴重程度的增加，平均絕對值誤差減小，表明該方法估計Cobb角的準確性較高。Wong等[7]為評估測量脊柱側(cè)凸或Cobb角的嚴重程度對AIS患者的監(jiān)測和治療決策的重要性，利用級聯(lián)卷積神經(jīng)網(wǎng)絡(luò)自動測量脊柱X射線片Cobb角的機器學習算法，結(jié)果顯示該方法具有高精度、快速測量和可解釋性，表明具有臨床可行性。Horng等[8]利用卷積神經(jīng)網(wǎng)絡(luò)對脊柱椎體進行分割并計算Cobb角曲率，具有較高準確性。Yang等[9]使用背部圖像進行脊柱側(cè)凸篩查的深度學習算法的開發(fā)和驗證，該方法可減少患者對輻射的暴露和不必要的轉(zhuǎn)診。Wang等[10]使用多視角相關(guān)網(wǎng)絡(luò)架構(gòu)在多視圖X射線中提供精確的Cobb角度估計，該方法為自動、準確和可靠的脊柱側(cè)凸評估提供有效的框架。

2.2""機器學習在脊柱側(cè)凸中的應(yīng)用

機器學習算法從脊柱曲線整體平均意義上度量側(cè)凸程度，通過研究計算機模擬或?qū)崿F(xiàn)人類行為以獲取新的知識技能，并不斷改善自身性能，主要包括決策樹和隨機森林、支持向量機、人工神經(jīng)網(wǎng)絡(luò)學習方法，近年來機器學習已逐步用于脊柱畸形的檢測。為預(yù)測AIS的曲線進展，Alfraihat等[11]采用順序反向浮動選擇方法，篩選出最具預(yù)測性的特征子集，開發(fā)并驗證一個隨機森林模型，用于確定曲線進展的關(guān)鍵預(yù)后特征并預(yù)測最終的Cobb角，創(chuàng)建網(wǎng)絡(luò)用戶界面應(yīng)用程序，輔助臨床醫(yī)生指導(dǎo)AIS治療方法的選擇與優(yōu)化，也可用于對患者及家屬的宣教，以使其了解脊柱畸形特征、進展風險和治療選擇。Han等[12]在大數(shù)據(jù)集中篩查時用計算機視覺評估方法，運用機器學習標準化積分面積算法在評估中度和重度脊柱側(cè)凸中具有較高的診斷價值。為評估脊柱畸形，脊柱側(cè)凸的分析需要通過脊柱曲率評估進行全面的影像學評估，Thalengala等[13]提出用計算機圖像理解系統(tǒng)自動提取脊柱信息骶中線和中軸的方法，獲得較高的檢測精度。Ramirez等[14]使用支持向量機分類器分析人體背部表面地形圖像來評估特發(fā)性脊柱側(cè)凸的嚴重程度。Bertoncelli等[15]使用神經(jīng)肌肉性脊柱側(cè)凸應(yīng)用邏輯回歸算法的模型預(yù)測脊柱側(cè)凸發(fā)病的概率。Zhang等[16]建立可自動測量Cobb角的神經(jīng)網(wǎng)絡(luò)系統(tǒng)，人工選擇Cobb角的上端椎和下端椎后自動測量，與脊柱畸形外科專家手工測量的結(jié)果進行對比，結(jié)果顯示該系統(tǒng)精度已能滿足輔助診斷的要求。

3""AI輔助AIS病情評估與分級

脊柱側(cè)凸的嚴重程度是脊柱外科手術(shù)干預(yù)的重要評估指標之一，評估過程受主觀因素影響較大，因此，非侵入性方法在脊柱側(cè)凸中的應(yīng)用十分重要。利用AI算法對AIS患者的病情進行定量評估，包括脊柱凸曲程度的精確測量、病情進展速度的預(yù)測等。

Chen等[17]在脊柱X射線圖像上運用深度學習方法定位患者的脊柱區(qū)域，通過采用3種分類器AI手段實現(xiàn)脊柱側(cè)凸的有效分類。Patel等[18]利用表面地形圖建立風險分層模型預(yù)測特發(fā)性脊柱側(cè)凸進展的背部輪廓指標，結(jié)果顯示表面地形圖可較準確地評估脊柱側(cè)凸的彎曲度，這為Cobb角預(yù)測提供新的算法基礎(chǔ)，并為脊柱進展的評估提供數(shù)字化的良好途徑，該研究還揭示利用背部表面輪廓的三維數(shù)字度量來開發(fā)基于AI的AIS評估的潛力。

4""AI在AIS手術(shù)治療方案中的應(yīng)用

隨著AI研究的深入，基于機器學習與深度學習的AI檢測方法在脊柱側(cè)凸評估中得到廣泛應(yīng)用，該方法可精確判斷側(cè)凸類型、程度及結(jié)構(gòu)特征，輔助醫(yī)生制定優(yōu)化的手術(shù)治療方案，為患者帶來顯著益處。

數(shù)字化的可視化技術(shù)為手術(shù)醫(yī)生提供更直觀的手術(shù)解剖結(jié)構(gòu)，并使外科醫(yī)生在不使用光學跟蹤導(dǎo)航工具的情況下，實現(xiàn)經(jīng)皮放置螺釘時最大的安全性[19]。為全面了解胸椎椎弓根解剖以便在使用椎弓根螺釘治療AIS時提供參考，需注意椎弓根的形狀、大小和形態(tài)測量在脊柱側(cè)凸患者中差異較大。Sakti等[20]對AIS主胸頂點椎弓根進行形態(tài)計量學分析，包括椎弓根直徑、到前皮質(zhì)的深度和Watanabe椎弓根分類等，研究顯示凹側(cè)和凸側(cè)的椎弓根寬度和高度存在顯著差異，且凸側(cè)具有更好的椎弓根分類。因此，術(shù)前CT評估對設(shè)計合適的椎弓根螺釘置入方案至關(guān)重要。Pasha等[21]納入后路脊柱融合術(shù)后Lenke1B型和1C型的AIS患者，利用決策樹在術(shù)前、術(shù)后計算腰椎Cobb角矯正率，結(jié)果表明決策樹可為AIS患者制定脊柱手術(shù)計劃。翟功偉等[22]研究表明，機器人輔助下的AIS手術(shù)不僅可提升椎弓根植釘?shù)木珳识?，還可有效降低輻射暴露量，減少術(shù)中出血量，并縮短患者術(shù)后住院時間。Van等[23]在腰椎椎骨和椎間盤使用三維AI算法自動分割，用于計算椎骨終板之間的角度，在磁共振成像冠狀位上精確測量脊柱側(cè)凸患者的Cobb角，可潛在減少射線量。Peng等[24]整合生物力學和機器學習支持手術(shù)決策，防止脊柱側(cè)凸患者術(shù)后近端連接后彎，并預(yù)測術(shù)后風險。

5""AI在AIS預(yù)后預(yù)測中的應(yīng)用與局限性

采用機器學習算法預(yù)測脊柱側(cè)凸手術(shù)后的預(yù)后和潛在并發(fā)癥，可顯著提高術(shù)后患者康復(fù)的安全性。Peng等[25]基于合成少數(shù)技術(shù)訓練的隨機森林建立AIS患者的預(yù)后模型，對預(yù)測AIS融合術(shù)后個體風險具有重要價值。Pellisé等[26]采用隨機森林生存算法預(yù)測手術(shù)后不良事件的可能性，該研究強調(diào)利用AI算法進行預(yù)后預(yù)測的關(guān)鍵臨床相關(guān)性，對術(shù)后護理和康復(fù)具有重要意義。

AI在脊柱側(cè)凸中的應(yīng)用也存在一定局限性，如技術(shù)成熟度與算法的局限，數(shù)據(jù)質(zhì)量參差不齊與樣本多樣性不足，AI脊柱側(cè)凸篩查和診斷系統(tǒng)的普及程度受設(shè)備成本和操作復(fù)雜性的限制，篩查方法的標準化、普及度和可行性是實際應(yīng)用中的挑戰(zhàn)。

6"nbsp;小結(jié)與展望

AI在脊柱側(cè)凸領(lǐng)域的應(yīng)用無疑為臨床帶來革命性的變化，尤其在影像學分析、病情評估、個性化治療方案設(shè)計及預(yù)后評估方面的應(yīng)用表現(xiàn)出明顯優(yōu)勢，通過持續(xù)的研究和改進，機器學習和深度學習在醫(yī)學影像分析領(lǐng)域已展現(xiàn)出巨大的發(fā)展?jié)摿蛷V闊的應(yīng)用前景，在脊柱篩查和診療評估方面更精確、更高效、更大規(guī)模的應(yīng)用，為患者帶來個性化的治療方案和更好的治療效果。AI在脊柱側(cè)凸的臨床實踐中發(fā)揮重要作用，旨在輔助脊柱側(cè)凸的診斷和提高治療效率。目前AI在脊柱側(cè)凸的應(yīng)用主要是利用機器學習和深度學習算法輔助其診斷和治療。隨著技術(shù)的不斷發(fā)展和優(yōu)化，AI將呈現(xiàn)更多新方法和更可靠的預(yù)測模型，并滲透到脊柱側(cè)凸相關(guān)臨床實踐的各個方面。

利益沖突：所有作者均聲明不存在利益沖突。

[參考文獻]

[1] THéROUX"J，"LE"MAY"S，"HEBERT"J"J，"et"al."Back"pain"prevalence"is"associated"with"curve-type"and"severity"in"adolescents"with"idiopathic"scoliosis："A"cross-sectional"study[J]."Spine"（Phila"Pa"1976），"2017，"42（15）："914–919.

[2] BEAULIEU"M，"TOULOTTE"C，"GATTO"L，"et"al."Postural"imbalance"in"non-treated"adolescent"idiopathic"scoliosis"at"different"periods"of"progression[J]."Eur"Spine"J，"2009，"18（1）："38–44.

[3] 甘治航，"王首占，"梁彥，"等."基于人工智能的特發(fā)性脊柱側(cè)彎檢測與診斷技術(shù)進展[J]."中國脊柱脊髓雜志，"2023，"33（7）："656–661.

[4] 楊詩曼，"王中訓，"吳文靜，"等."圖像自動標注技術(shù)研究[J/OL]."探測與控制學報."[2024-09-04]."https：//link."cnki.net/urlid/61.1316.TJ.20240724.1138.006.

[5] MAEDA"Y，"NAGURA"T，"NAKAMURA"M，"et"al."Automatic"measurement"of"the"Cobb"angle"for"adole-"scent"idiopathic"scoliosis"using"convolutional"neural"network[J]."Sci"Rep，"2023，"13（1）："14576.

[6] WATANABE"K，"AOKI"Y，"MATSUMOTO"M."An"application"of"artificial"intelligence"to"diagnostic"imag-"ing"of"spine"disease："Estimating"spinal"alignment"from"moiré"images[J]."Neurospine，"2019，"16（4）："697–702.

[7] WONG"J，"REFORMAT"M，"LOU"E."Applying"machine"learning"and"point-set"registration"tonbsp;automatically"measure"the"severity"of"spinal"curvature"on"radiographs[J]."IEEE"J"Transl"Eng"Health"Med，"2024，"12："151–161.

[8] HORNG"M"H，"KUOK"C"P，"FU"M"J，"et"al."Cobb"""angle"measurement"of"spine"from"X-ray"images"using"convolutional"neural"network[J]."Comput"Math"Methods"Med，"2019，"2019："6357171.

[9] YANG"J，"ZHANG"K，"FAN"H，"et"al."Development"and"validation"of"deep"learning"algorithms"for"scoliosis"screening"using"back"images[J]."Commun"Biol，"2019，"2："390.

[10] WANG"L，"XU"Q，"LEUNG"S，"et"al."Accurate"automated"Cobb"angles"estimation"using"multi-view"extrapolation"net[J]."Med"Image"Anal，"2019，"58："101542.

[11] ALFRAIHAT"A，"SAMDANI"A"F，"BALASUBRAMAN-"IAN"S."Predicting"curve"progression"for"adolescent"idiopathic"scoliosis"using"random"forest"model[J]."PLoS"One，"2022，"17（8）："e0273002.

[12] HAN"S，"ZHAO"H，"ZHANG"Y，"et"al."Application"of"machine"learning"standardized"integral"area"algorithm""in"measuring"the"scoliosis[J]."Scientific"reports，"2023，"13（1）："19255.

[13] THALENGALA"A，"BHAT"S"N，"ANITHA"H，"Compute-"rized"image"understanding"system"for"reliable"estimation"of"spinal"curvature"in"idiopathic"scoliosis[J]."Sci"Rep，"2021，"11（1）："7144.

[14] RAMIREZ"L，"DURDLE"N"G，"RASO"V"J，"et"al."A"support"vector"machines"classifier"to"assess"the"severity"of"idiopathic"scoliosis"from"surface"topography[J]."IEEE"Trans"Inf"Technol"Biomed，"2006，"10（1）："84–91.

[15] BERTONCELLI"C"M，"BERTONCELLI"D，"ELBAUM"L，"et"al."Validation"of"a"clinical"prediction"model"for"the"development"of"neuromuscular"scoliosis："A"multinational"study[J]."Pediatr"Neurol，"2018，"79："14–20.

[16] ZHANG"J，"LI"H，"LV"L，"et"al."Computer-aided"Cobb"measurement"based"on"automatic"detection"of"vertebral"slopes"using"deep"neural"network[J]."Int"J"Biomed"Imaging，"2017，"2017："9083916．

[17] CHEN"P，"ZHOU"Z，"YU"H，"et"al."Computerized-assisted"scoliosis"diagnosis"based"on"faster"R-CNN"and"ResNet"for"the"classification"of"spine"X-ray"images[J]."Comput"Math"Methods"Med，"2022，"2022："1–13.

[18] PATEL"M，"LIU"X"C，"YANG"K，"et"al."3D"Back"contour"metrics"in"predicting"idiopathic"scoliosis"progression："Retrospective"cohort"analysis，"case"series"report"and"proof"of"concept[J]."Children"（Basel，"Switzerland），"2024，"11（2）："159.

[19] BAUMANN"F，"BECKER"C，"FREIGANG"V，"et"al."Imaging，"post-processing"and"navigation："Surgical"appli-"cations"in"pelvic"fracture"treatment[J]."Injury，"2022，"53"Suppl"3："S16–S22.

[20] SAKTI"Y"M，"LANODIYU"Z"A，"ICHSANTYARIDHA"M，"et"al."Pedicle"morphometry"analysis"of"main"thoracic"apex"adolescent"idiopathic"scoliosis[J]."BMC"Surg，"2023，"23（1）："34.

[21] PASHA"S，"MAC-THIONG"J"M."Defining"criteria"for"optimal"lumbar"curve"correction"following"the"selective"thoracic"fusion"surgery"in"Lenke"1"adolescent"idiopathic"scoliosis："Developing"a"decision"tree[J]."Eur"J"Orthop"Surg"Traumatol，"2020，"30（3）："513–522.

[22] 翟功偉，"高延征，"高坤，"等."脊柱機器人輔助與傳統(tǒng)后路椎弓根螺釘內(nèi)固定矯形術(shù)治療脊柱側(cè)彎的效果比較[J]."中華實用診斷與治療雜志，"2019，"33（7）："636–640.

[23] VAN"DER"GRAAF"J"W，"VAN"HOOFF"M"L，"VAN"GINNEKEN"B，"et"al."Development"and"validation"of"AI-based"automatic"measurement"of"coronal"Cobb"angles"in"degenerative"scoliosis"using"sagittal"lumbar"MRI[J]."Eur"Radiol，"2024，"34（9）："5748–5757.

[24] PENG"L，"ZHANG"G，"ZUO"H，"et"al."Surgical"des-""""ign"optimization"of"proximal"junctional"kyphosis[J]."J"Healthc"Eng，"2020，"2020："8886599.

[25] PENG"L，"LAN"L，"XIU"P，"et"al."Prediction"of"proximal"junctional"kyphosis"after"posterior"scoliosis"surgery"with"machine"learning"in"the"Lenke"5"adolescent"idiopathic"scoliosis"patient[J]."Front"Bioeng"Biotechnol，"2020，"8："559387.

[26] PELLISé"F，"SERRA-BURRIEL"M，"SMITH"J"S，"et"al."Development"and"validation"of"risk"stratification"models"for"adult"spinal"deformity"surgery[J]."J"Neurosurg"Spine，"2019，"31（4）："587–599.

（收稿日期：2024–08–16）

（修回日期：2024–12–03）