基于深度学习模型的腰椎管狭窄MRI自动分类：模型比较与临床效能评估

《European Spine Journal》：Deep learning models for lumbar spinal stenosis on MRI: model comparison and clinical benchmarking

本研究针对腰椎管狭窄的MRI自动分类难题，来自多中心的研究团队开发了CNN和Transformer两种深度学习模型。结果表明：CNN模型表现优异，Transformer模型与临床医生水平相当甚至更优（内部测试κ值达0.94-0.99），模型在中央椎管、侧隐窝和神经孔分类中均展现高一致性。该研究为脊柱病变智能诊断提供了可靠工具，有望辅助影像报告生成和手术规划。

　　

通过比较不同架构的深度学习模型在磁共振成像（MRI）上对腰椎管狭窄进行自动分类的性能，并将其与放射科医生和骨科医生的诊断水平进行基准测试。研究人员回顾性收集了2015年9月至2019年9月的腰椎MRI数据，排除有内固定器械、图像质量不佳、增强扫描或严重侧弯的病例。采用轴向T₂加权和矢状位T₁加权图像，将数据分为训练/验证集和测试集，并额外使用100例外部测试集。由4名放射科医生按预设分级标准进行数据标注，开发了基于卷积神经网络（CNN）和Transformer的两种模型。以两位脊柱放射专家的共识标注作为金标准，由8名临床医生（含普通放射科医生、放射科培训医师、骨科医生和骨科培训医师）对测试集进行标注评估。结果显示：共纳入564例腰椎MRI（平均年龄52±19岁，女性302例），模型对所有感兴趣区的检测召回率均>94%。在二分类（正常/轻度 vs 中度/重度）任务中，内部测试显示中央椎管κ值：CNN 0.99/Transformer 0.99/医生0.97-0.98；侧隐窝κ值：0.98/0.94/0.81-0.94；神经孔κ值：0.98/0.95/0.91-0.95（p<0.001）。外部测试结果类似。研究表明CNN模型性能优于临床医生，Transformer模型表现相当甚至更优，这些模型可辅助临床报告生成、手术规划和教学应用。