编辑推荐：
为解决 AIS 诊断中手动测量的问题，研究人员开发深度学习模型，能精准测量参数，辅助临床诊断。
青少年特发性脊柱侧凸（Adolescent Idiopathic Scoliosis，AIS）是一种常见的三维脊柱畸形，就像脊柱在生长过程中 “迷路” 了，弯向了奇怪的方向。它的病因至今还不明确，可能和雌激素、低骨密度以及遗传易感性等因素有关。在青少年群体里，AIS 的患病率大概在 1 - 3%，女孩子的发病率比男孩子高。要是没能及时发现并干预，脊柱的畸形会越来越严重，不仅影响孩子的体态美观，还会降低生活质量。
目前，学校筛查是早期发现 AIS 的重要手段之一。一旦筛查结果呈阳性，就需要进一步拍摄前后位（Anterior posterior，AP）和侧位（Lateral，LAT）X 射线进行确诊。而准确测量脊柱的排列参数，比如冠状面 Cobb 角（Coronal Cobb angle，CA）、近端胸椎后凸（Proximal thoracic kyphosis，PTK）、中胸椎后凸（Mid - thoracic kyphosis，MTK）和胸腰椎矢状面排列（Thoracolumbar sagittal alignment，TSA）等，对于 AIS 的诊断和治疗方案的制定至关重要。然而，传统的手动测量方式既耗费时间和精力，又过于依赖医生的主观判断，很容易产生测量误差。与此同时，现有的人工智能模型大多只关注冠状面 CA 的测量，忽略了矢状面的评估，难以满足临床需求。
为了攻克这些难题，空军军医大学西京医院骨科的研究人员开展了一项极具意义的研究。他们开发了一种基于双平面 X 光片的深度学习模型，旨在实现脊柱排列参数的自动、精准、快速测量，并对 AIS 进行全面的诊断和评估。该研究成果发表在《Journal of Orthopaedic Surgery and Research》上。
研究人员在开展这项研究时，运用了多种关键技术方法。首先，收集了空军军医大学西京医院 2021 年 10 月至 2023 年 7 月的 600 例 AP 和 LAT 全脊柱 X 光片，构建了数据集，并按 3:1 的比例随机分为训练集和测试集。其次，采用 ResNet34 作为基础框架，并结合 U - net 的网络特点进行改进。在模型训练前，由两名初级骨科医生对图像进行标注，再经两名资深脊柱外科医生审核校正。此外，利用多种统计方法，如组内相关系数（Intra - class correlation coefficient，ICC）、简单线性回归、Bland - Altman 图等，对模型的可靠性、有效性和诊断性能进行评估。
在研究结果部分，主要从以下几个方面进行了分析：
- 模型预测结果与金标准的比较：通过计算模型与金标准之间的平均绝对差（Mean absolute difference，MAD）、ICC 等指标，评估模型测量的准确性和一致性。结果显示，模型在冠状面和矢状面角度误差的 MAD 分别为 2.15° 和 2.72°，ICC 分别为 0.985 和 0.927。简单线性回归表明模型测量值与金标准之间存在很强的相关性（r2≥0.686，p<0.001），Bland - Altman 图显示模型测量值与金标准的平均差异在 2° 以内，这充分证明了模型具有较高的可靠性和准确性。
- 模型的诊断和分类性能：利用受试者工作特征曲线（Receiver operating characteristic curve，ROC）和曲线下面积（Area under the curve，AUC）评估模型的诊断性能。结果显示，模型诊断 AIS 的 AUC 为 0.972（0.940 - 1.000），准确率为 97.2%，灵敏度为 96.8%，特异性为 97.6%。在严重程度分类和矢状面异常分类方面，模型也表现出色，整体准确率分别达到 94.5% 和 91.8% 以上12。
- 自动测量时间：研究对比了模型自动测量和手动测量的时间，发现模型的平均测量时间仅为 9.1 s，显著低于手动测量的 185.1 s，大大提高了诊断效率34。
综合研究结论和讨论部分，该深度学习模型能够准确、自动地测量脊柱排列参数，结果可靠，诊断时间大幅缩短。同时，模型还能评估 AIS 的严重程度和矢状面异常情况，在临床诊断中具有巨大的潜力。不过，研究也存在一些局限性，比如测试集数量相对较少、研究为单中心回顾性研究、模型对特殊病例的图像识别性能有待验证以及未考虑脊柱曲线灵活性对测量的影响等。但这并不影响该研究成果的重要意义，它为 AIS 的诊断和治疗提供了新的思路和方法，有望在未来辅助临床医生更高效、准确地诊断和治疗 AIS 患者，让更多受脊柱侧凸困扰的青少年重获健康。
