人工智能在早发性脊柱侧凸诊疗中的前沿应用与展望

《Spine Deformity》：Artificial intelligence in early onset scoliosis: a scoping review

本刊推荐：针对早发性脊柱侧凸（EOS）诊疗中存在的诊断变异大、预后预测难等问题，研究人员系统回顾了人工智能（AI）在该领域的应用现状。研究发现卷积神经网络（CNN）在自动化影像测量（如Cobb角）中准确率达91.2%，梯度提升模型可预测术后住院时长（AUC=0.741）。该研究为AI辅助EOS精准诊疗提供了理论依据，标志着脊柱畸形诊疗进入智能化新阶段。

　　

在儿童脊柱健康领域，早发性脊柱侧凸（Early Onset Scoliosis, EOS）犹如一道亟待破解的医学难题。这种在10岁前出现的脊柱三维畸形，不仅影响患儿的体态发育，更可能因胸廓变形导致胸腔功能不全综合征（Thoracic Insufficiency Syndrome），危及心肺功能。传统诊疗依赖医生肉眼评估X光片测量Cobb角，存在主观差异大、辐射暴露多等痛点。而生长棒等手术治疗虽能控制畸形，却伴随高达30%的意外再手术率，凸显了精准预测工具的缺失。

面对这些挑战，由Chuck Lam领衔的国际研究团队在《Spine Deformity》发表了首篇人工智能在EOS领域的范围综述。研究人员系统检索了5大数据库的746篇文献，最终纳入11项研究，涵盖5000余例患儿数据。通过PRISMA-ScR规范流程，团队揭示了AI如何通过卷积神经网络（CNN）实现毫米级精度的生长棒监测，以及梯度提升算法对术后并发症的预测潜力。

研究方法的核心在于多模态数据融合与验证框架。团队采用循证医学方法筛选文献，重点分析AI模型在两类任务的表现：一是基于Mask R-CNN、U-Net等架构的影像分析（占72.7%），用于自动测量Cobb角和磁控生长棒（MCGR）长度；二是利用稀疏加性机器（Sparse Additive Machine）等算法的预测建模（27.3%），预测指标包括住院时长（LOS）和意外再手术（UPROR）。所有模型均通过交叉验证评估性能，关键指标涵盖准确度、AUC值及绝对误差（MAD）。

影像分析与测量突破

在8项影像学研究中，AI展现出三大应用方向。Hintz等开发的注意力机制U-Net模型，通过运动追踪超声重建3D脊柱模型，其横突角测量误差仅±1.3°（SD=1.1），为无辐射监测提供新途径。He团队的CNN分类器能精准区分术前/术后、支具内/外等影像状态，在正侧位X光片均达到1.00的准确度。值得注意的是，Kabir研究的边界模型通过超声监测MCGR扩张，实现1.2mm（SD=1.46）的测量精度，使医生能像用“智能尺”般实时追踪治疗进展。

手术预后预测模型

3项预测研究揭示了AI的临床决策支持能力。Han等发现术后近端交界性后凸（PJK）和T1斜率变化是颈椎矢状面失衡的关键预测因子。Fields的梯度提升模型通过318例测试集预测延长住院风险（AUC=0.741），而Lullo的模型对意外再手术的预测AUC达0.79。这些算法如同“风险雷达”，能提前识别高危患儿，优化医疗资源分配。

讨论与展望

尽管AI在EOS应用尚处起步阶段，但其价值已初见端倪。CNN模型能将Cobb角测量时间从分钟级压缩至秒级，且保持94%以上的准确率，有效缓解诊断变异问题。然而当前研究多受限于单中心小样本（n<400），缺乏外部验证成为临床转化的瓶颈。未来需构建跨中心数据集，结合TRIPOD+AI标准提升模型泛化能力。尤其值得关注的是，尚无研究整合影像与临床数据构建多模态预测系统，这恰是突破预后预测精度的关键路径。

该研究的深远意义在于为EOS诊疗绘制了智能化转型路线图。通过标准化AI评估指标（如Dice系数用于分割任务，Brier分数评估校准度），推动行业建立可比性研究框架。更重要的是，AI工具若能无缝集成至PACS（影像归档系统）和电子病历，将实现从诊断到随访的全流程赋能，使医生能聚焦于决策优化而非重复性测量工作。

随着可解释性AI技术的发展，未来模型有望揭示畸形进展的生物学机制，例如通过无监督聚类识别EOS亚型，为个性化治疗提供新视角。这项研究不仅搭建了技术与临床的对话桥梁，更警示行业需前瞻性制定AI治理规范，确保技术红利惠及所有患儿群体。正如作者所言，只有当AI成为“沉默的协作者”融入临床路径，才能真正改写EOS的治疗结局。