基于图像和语言模型的三维磁共振图像中活动性骶髂关节炎的一站式自动化诊断系统：一项回顾性研究

《Intelligent Medicine》：One-stop automated diagnostic system for active sacroiliitis in 3-dimention magnetic resonance images using image and language models: a retrospective study

本研究针对轴型脊柱关节炎（axSpA）诊断延迟问题，开发了集成MRI分析及自动化报告生成的AI系统。系统通过3D U-Net实现关节分区精段，ResNet18模型识别骨髓水肿深度及强度，结合QWEN大语言模型生成结构化诊断报告，SPARCC评分一致性达0.84，灵敏度达90.81%，显著提升诊断效率。

　　本文探讨了一种基于人工智能的系统，旨在提高轴性脊柱关节炎（axSpA）中活跃性骶髂关节炎（active sacroiliitis）的诊断效率和准确性。该系统整合了磁共振成像（MRI）分析和自动报告生成技术，通过四个模块的协同工作，实现对骶髂关节（SIJ）的精准分割、骨髓水肿（BME）的识别以及基于SPARCC评分标准的诊断报告生成。研究团队来自中国人民解放军总医院风湿免疫科，旨在解决当前慢性腰痛患者中axSpA诊断过程中的挑战，包括复杂的病因、专家依赖性以及诊断效率低下等问题。

### 背景与问题

axSpA是一种以炎症性腰痛为特征的疾病，通常起源于骶髂关节。该病可能导致脊柱强直（ankylosing spondylitis），并且如果未能及时诊断，可能会造成不可逆的结构性损伤。目前，MRI被认为是早期检测axSpA的重要工具，因为它能够识别骨髓水肿（BME）这一关键的炎症标志。然而，在实际应用中，由于骶髂关节的复杂解剖结构以及对图像的解读依赖专家经验，导致MRI在慢性腰痛人群中难以高效地识别活跃性骶髂炎。此外，许多医生在临床实践中缺乏足够的专业知识来正确解读MRI图像，这进一步加剧了诊断的延迟和误诊率。因此，开发一种自动化系统来辅助识别活跃性骶髂炎并量化BME成为迫切需求。

### 研究方法

该研究是一项回顾性分析，数据来源于中国人民解放军总医院，时间跨度为2011年至2023年，共纳入691名患者，其中540名为axSpA患者，151名为非脊柱关节炎（non-spondyloarthritis）患者。数据被划分为训练集和测试集，比例为4:1，即552名患者用于训练，139名患者用于测试。为了提高模型的泛化能力，研究团队在训练集中采用了五折交叉验证的方法。

系统由四个主要模块组成：
1. **图像预处理模块**：通过标准化图像强度、调整图像尺寸以及裁剪异常值，减少不同设备采集图像的异质性，提高后续分析的准确性。
2. **ROI分割模块**：采用基于3D U-Net的“粗到细”分割方法，对每个患者的骶髂关节进行四象限分割。该方法通过两次分割过程，先获得ROI的粗略区域，再进一步细化以区分不同象限。
3. **水肿识别模块**：训练了三个分类器，分别用于识别象限内的水肿评分、水肿深度以及水肿强度。其中，水肿评分和深度分类器使用ResNet18作为主干网络，而水肿强度分类器则采用了类似的架构。为了应对样本不平衡问题，研究团队引入了Focal Loss，以优化模型对少数类样本的识别能力。
4. **报告生成模块**：利用QWEN大型语言模型（LLM）生成结构化的诊断报告，涵盖患者的SIJ位置、每个象限的水肿状态、SPARCC评分、是否符合活跃性骶髂炎的定义，以及最终的诊断建议。

### 研究结果

在测试集中，共有335名患者被确认为活跃性骶髂炎阳性，356名为阴性。AI系统在阳性组和阴性组的SPARCC评分分别为15.12±10.73和0.88±1.13，显示出显著的差异。ROI分割模块在训练、验证和测试数据集上的DICE相似系数均高于0.7，表明其在分割精度方面表现良好。在水肿识别方面，三个分类器在测试数据集上的表现也较为优异：
- 水肿评分分类器的准确率（ACC）为81.08%，平衡准确率（B-ACC）为77.54%，AUC值为0.8456。
- 水肿深度分类器的准确率为89.28%，平衡准确率为76.26%，AUC值为0.8719。
- 水肿强度分类器的准确率为94.04%，平衡准确率为80.91%，AUC值为0.9220。

在患者层面，AI系统对活跃性骶髂炎的诊断灵敏度达到了90.81%，表明其在临床应用中具有较高的识别能力。此外，系统生成的SPARCC评分与风湿科医生的评分之间的组内相关系数（ICC）为0.84，进一步验证了AI系统在诊断一致性方面的可靠性。

### 系统优势与创新点

该系统的主要优势在于其全自动化流程，能够从原始MRI数据直接输出诊断报告，无需人工干预。这种自动化不仅提高了诊断效率，还减少了对专家的依赖，使得非风湿科医生也能更快速、准确地识别axSpA相关病变。此外，系统在报告中提供了详细的象限分析、BME量化信息以及临床建议，使得诊断结果更具参考价值。

在ROI分割方面，该系统实现了对每个象限的精准识别，弥补了以往研究中仅关注整体SIJ区域的不足。通过结合T2脂肪抑制序列与T1加权序列的解剖信息，研究人员优化了分割的准确性，避免了因边界模糊导致的误判问题。同时，系统采用3D分割技术，提高了对骶髂关节区域的定位精度，为后续的BME识别和SPARCC评分提供了更可靠的基础。

在水肿识别方面，该系统不仅能够识别是否存在BME，还能进一步区分其深度和强度，从而提供更全面的炎症评估。这一特点在以往的研究中较少被关注，使得该系统在axSpA的诊断中更具优势。此外，系统使用Focal Loss来应对样本不平衡问题，提高了对罕见阳性病例的识别能力。

在报告生成方面，该系统利用QWEN LLM生成结构化文本，描述了患者MRI图像中的病变位置、BME情况、是否符合活跃性骶髂炎的定义以及相关建议。这种自动化报告不仅提高了诊断的效率，还增强了信息的可读性和临床适用性，为医生提供了更直观的诊断依据。

### 讨论与意义

该系统的研究意义在于，它为axSpA的诊断提供了一种全新的解决方案。传统的诊断方法依赖于医生的主观判断和经验，且耗时较长，容易受到个体差异的影响。而AI系统通过自动化处理，不仅提高了诊断的一致性，还减少了误诊和漏诊的可能性。此外，该系统在处理数据时考虑了多种MRI序列，如STIR、SPAIR和T2脂肪抑制序列，使得其在实际应用中更具普适性。

尽管该系统在多个方面表现出色，但仍存在一些局限性。首先，研究数据仅来自单一机构，可能影响系统的泛化能力。因此，未来需要通过多中心数据进行外部验证，以评估其在不同临床环境下的适用性。其次，当前系统主要依赖于MRI图像信息，未整合临床症状、体征或实验室检查结果，这可能导致其在综合诊断中的应用受限。最后，虽然ROI分割模块在测试数据集上的DICE系数较高，但仍存在一定的误判风险，可能影响后续的SPARCC评分。因此，进一步优化分割算法，提高其准确性，是未来研究的重要方向。

### 临床应用前景

随着人工智能技术的不断发展，其在医学影像领域的应用日益广泛。该系统不仅能够辅助医生进行影像分析，还能减轻他们的工作负担，尤其是在资源有限的医院中，专家数量不足的问题尤为突出。通过引入AI系统，非风湿科医生可以在更短时间内完成初步筛查，从而将患者及时转诊至专科医生，提高诊断效率。

此外，该系统的自动化报告生成功能也为临床实践带来了便利。传统报告通常仅包含简要的影像描述，而该系统生成的报告内容更加丰富，涵盖了病变的位置、BME的量化信息以及诊断建议。这种详细报告有助于医生更全面地了解患者的病情，为后续治疗提供依据。

在医学教育方面，该系统也可以作为辅助工具，帮助医学生和初级医生学习如何识别和评估axSpA相关的MRI图像。通过AI系统提供的图像分析和报告，医生可以更快地掌握相关知识，提高诊断水平。

### 研究团队与资助情况

本研究由多位研究人员共同完成，其中包括Xiaojian Ji、Zhuofeng Li、Lulu Zeng、Anan Wang、Jing Dong、Lei Sun、Shiwei Yang、Jian Zhu、Feng Huang、Tao Li、Jing Zhang和Kunpeng Li。他们分别在概念设计、数据处理、算法优化、系统实现、监督指导等方面发挥了重要作用。研究团队还得到了多个基金的支持，包括北京市自然科学基金、国家重点研发计划以及中国人民解放军总医院的独立研究项目，这表明该研究具有较高的学术价值和临床意义。

### 结论

本文提出的AI系统为axSpA的诊断提供了一种高效、准确的自动化解决方案。该系统通过图像预处理、ROI分割、水肿识别和报告生成四个模块的协同工作，实现了对活跃性骶髂炎的快速检测和BME的量化评估。实验结果表明，该系统在多个指标上均表现出色，包括SPARCC评分的一致性、ROI分割的准确性以及分类器的性能。尽管存在一定的局限性，但该系统为未来医学影像的智能化诊断提供了重要的参考，并为减少诊断延迟、提高医疗效率奠定了基础。随着技术的不断进步和数据的进一步积累，该系统有望在更广泛的临床场景中得到应用，为axSpA的早期诊断和精准治疗提供有力支持。