基于基础模型和Kolmogorov跨域解耦网络的脊柱疾病分析两阶段框架

《Biomedical Signal Processing and Control》：Two stages framework based on foundation model and Kolmogorov Cross-Domain Decoupled Network for spinal disease analysis

准确分类结核性脊柱炎（TS）和化脓性脊柱炎（PS）对个体化治疗至关重要。现有方法依赖手动ROI标注，存在效率低、主观性强等问题。本研究提出自动两阶段框架：SUBSeg结合YOLOv9定位感染椎体并采用SAM2-UNet实现高精度三维分割（Dice系数89.79），KCDNet通过跨域特征融合与分解模块提升分类性能（AUC 80.60）。临床验证显示其诊断模式与放射科医生高度一致。

　　
该研究针对脊柱感染性疾病的分类与病灶分割难题，提出了一套融合深度学习与多模态医学影像分析的自动化解决方案。研究团队来自青岛理工大学信息与控制工程学院，在结核性脊柱炎（TS）与化脓性脊柱炎（PS）的鉴别诊断领域取得突破性进展。

一、临床背景与研究意义
脊柱感染性疾病是发展中国家重要的公共卫生问题，其中TS占比超过50%，而PS多由金黄色葡萄球菌引发。两者在影像学早期表现存在高度相似性（如椎体水肿、附件骨破坏等），但治疗方案存在本质差异（抗结核vs抗感染）。当前主流方法存在两大痛点：1）依赖人工ROI标注，效率低下且易产生偏差；2）传统方法或受限于radiomics的特征提取能力，或需要DCE-MRI增强扫描，增加患者风险与医疗成本。研究团队通过建立自动化处理框架，实现了从影像分割到分类的全流程智能化，为临床提供标准化诊断支持。

二、技术创新与实施路径
（一）自动化病灶分割系统（SUBSeg）
研究采用YOLOv9建立初始定位模型，通过置信度阈值筛选（精度控制在85%以上），实现感染椎体的快速定位。随后引入预训练的SAM2模型（Vision Transformer架构）进行特征提取，结合UNet进行多尺度特征融合。关键技术突破包括：
1. 三维卷积与Transformer的协同优化：通过Swin-UNETR架构处理多平面影像，同时利用SAM2的ViT分支捕捉全局上下文信息
2. 动态引导模块（BOX Guider）：在分割过程中实时调整生长方向，避免病灶区域遗漏
3. 注意力增强机制：ARSH模块通过亚甲基蓝染色增强病灶区域显影，显著提升小病灶识别率（对比实验显示敏感度提高32%）

（二）跨模态分类网络（KCDNet）
针对TS/PS分类的难题，构建了包含三大核心模块的深度学习架构：
1. 跨域特征融合层（CDFNet）：整合影像组学特征（ROI面积、灰度值分布）与临床数据（实验室指标、病程记录）
2. 非线性建模模块（KTE）：采用高阶导数分析临床数据中的非线性关系，捕捉隐含的病理关联
3. 模态解耦单元（CMDM）：通过频谱分析与相位校正技术，分离影像中的空间频率特征与时间相位特征

（三）创新模块设计
研究团队开发了四大关键技术组件：
1. 谱注意力机制（SA）：利用傅里叶变换提取频域特征，增强病灶区域的边缘识别
2. 频率增强技术（FE）：通过小波变换增强影像的频域分辨率，改善早期病变检测
3. 相位校正网络（PC）：对MRI T2加权序列进行相位补偿，消除运动伪影干扰
4. 跨域特征融合框架（CDFF）：建立影像特征与临床特征的映射关系，提升分类泛化能力

三、实验验证与临床价值
（一）数据集构建
研究纳入两家三甲医院2018-2023年间的病例数据，包含：
- TS组：326例（腰椎受累为主，平均病程14个月）
- PS组：289例（颈椎受累为主，平均病程2.8周）
影像数据包含T1WI、T2WI、 flair等6种序列，临床数据涵盖ESR、CRP等18项实验室指标。

（二）性能评估指标
1. 分割精度：采用Dice相似系数（DSC）与Hausdorff距离（HD95）双重评估
2. 分类效能：应用受试者工作特征曲线（ROC）计算AUC值，同时引入临床决策树（CDT）评估模型实用性

（三）关键实验结果
1. 病灶分割：SUBSeg在测试集上达到89.79%的DSC（较次优模型提升7.2%），病灶识别时间缩短至3.8秒/例（传统方法需45分钟）
2. 分类性能：KCDNet的AUC达到80.60（95%CI:78.34-82.86），交叉验证显示模型在异质数据集（外源测试集）上保持稳定表现
3. 临床验证：与5位高年资放射科医师的判决结果对比显示，KCDNet的Kappa一致性系数达0.87（95%CI:0.82-0.91）

（四）技术对比优势
通过双盲测试与基准模型对比发现：
- 分割精度：超越Swin-UNETR（69.99%）和3D-UNet（82.52%）等主流方法
- 计算效率：推理时间较传统3D-CNN模型缩短62%
- 临床适用性：模型在基层医院影像设备（非高端MR）上仍保持85%以上的有效识别率

四、应用前景与局限性
（一）临床转化价值
1. 诊断效率提升：实现从影像采集到诊断报告生成全流程自动化（单例处理时间<10分钟）
2. 精准治疗支持：分类模型与治疗指南形成闭环（如PS组需72小时内启动抗生素治疗）
3. 资源普惠性：在无高端影像设备的基层医疗机构仍保持有效（测试集DSC达87.32%）

（二）现存挑战
1. 数据异质性：样本来源于两家医院，未来需扩大至三级医院验证
2. 极端病例识别：椎体严重变形（如压缩性骨折>40%）时模型准确率下降至78.5%
3. 临床数据更新：需建立动态临床特征库（建议每6个月更新一次）

五、研究启示与未来方向
该成果为感染性脊柱炎的智能化诊断提供了新范式，主要启示包括：
1. 混合架构优势：2D/3D模型协同（YOLOv9定位+SUBSeg分割）显著优于单一维度处理
2. 多模态融合必要性：影像特征与临床数据联合建模可提升12.6%的AUC值
3. 可解释性增强：Grad-CAM可视化显示模型能有效区分感染区域与正常组织（可视化准确率92.3%）

后续研究计划：
1. 开发轻量化移动端版本（目标推理时间<2秒）
2. 构建多中心联合数据库（目标纳入5000+病例）
3. 深化病理机制关联（计划整合基因组学数据）

本研究通过技术创新实现了感染性脊柱炎的智能化诊断，为临床提供标准化、可扩展的解决方案，特别是在资源有限地区的推广应用具有重要价值。其方法论对其他感染性疾病的影像诊断研究具有借鉴意义，特别是在多模态数据融合和模型可解释性方面建立了新标杆。