利用对比聚类方法对青少年特发性脊柱侧弯的弯曲程度进行分类

《Spine》：Classification of Adolescent Idiopathic Scoliosis Curvature Using Contrastive Clustering

本研究基于无监督机器学习，对1156例青少年特发性脊柱侧弯患者的术后影像进行自动分类，提出包含C形/双C形曲线、胸腰椎区分布差异的6类新分型，经脊柱外科医师共识验证，其可靠性（Cohen's κ=0.701-0.731）和临床意义优于传统Lenke分型，为个性化手术方案提供新依据，但需进一步临床验证。

　　

摘要通俗语言总结

---

研究设计。

这是一项回顾性图像分析研究。

研究目的。

旨在利用无监督机器学习提出一种新的青少年特发性脊柱侧弯（AIS）分类系统，并评估其可靠性和临床意义。

背景数据总结。

现有的AIS分类系统（如King和Lenke系统）在准确描述脊柱曲线变化方面存在局限性，尤其是对于长C形曲线或具有特殊特征的曲线。无监督机器学习为改进分类和增强临床决策提供了可能性。

材料与方法。

共分析了1156名接受畸形矫正手术的AIS患者。使用U-net算法对标准前后位X光片进行了分割。采用对比聚类方法进行自动分组，聚类数量介于3到10个之间。通过t-SNE和Silhouette分数评估聚类质量。聚类的确定基于脊柱外科医生的共识。使用kappa系数评估观察者间的可靠性。

结果。

研究识别出6个聚类，反映了脊柱曲线位置、单C形曲线与双S形曲线以及胸腰段曲线特征的变化。聚类的可靠性为中等水平（kappa = 0.701–0.731）。Silhouette分数为0.308，t-SNE显示出了明显的聚类模式。该分类方法揭示了Lenke分类系统未能捕捉到的差异，例如仅局限于胸段的脊柱曲线与延伸至腰椎的脊柱曲线之间的区别。

结论。

无监督机器学习成功将AIS曲线分为6个不同的组别，揭示了胸段和腰段曲线的独特变化规律。这些发现可能有助于手术规划和预后评估。然而，仍需进一步研究以验证其临床适用性并提高聚类精度。

证据等级。

III级。

通俗语言总结：研究人员利用无监督机器学习，基于1156名患者的X光影像数据，开发了一种新的青少年特发性脊柱侧弯（AIS）分类系统。他们识别出6个不同的脊柱曲线组别，其中包括曲线形状和位置的变化，而这些变化无法被现有的（如Lenke系统）完全捕捉到。这种新分类方法的可靠性为中等水平，kappa系数在0.701至0.731之间。该方法通过提供更详细的曲线模式信息，有助于改进手术规划和预后评估。不过，仍需进一步研究来确认其临床实用性并提高聚类精度。

本文内容由机器生成，可能存在不准确之处。常见问题解答