深度学习助力强直性脊柱炎诊断：基于 MRI 影像的创新突破

为解决强直性脊柱炎（AS）诊断难题，研究人员开展相关研究，发现联合 MRI 训练模型诊断效果好，减少对 CT 依赖。

　　强直性脊柱炎（Ankylosing spondylitis，AS）是一种终身性的炎症性疾病，如果未得到及时诊断，会导致脊椎和骶髂关节（sacroiliac joints，SIJs）融合。传统的磁共振成像（magnetic resonance imaging，MRI），比如 T1w/T2w 序列，是诊断 AS 的首选方式。然而，计算机断层扫描（computed tomography，CT）作为二线诊断手段，具有更高的特异性，因为 CT 在区分与 AS 相关的骨侵蚀和病变方面比 MRI 更具优势。研究人员希望确定 MRI 是否可用于训练和优化卷积神经网络（convolutional neural networks，CNNs）来对 AS 进行分类，以及哪种传统 MRI 在其中起主导作用。

研究人员从 56 名患者身上提取了 534 个 AS 相关的和 606 个对照的 SIJs，这些患者同时进行了三种传统 MRI 序列扫描。在分类研究中，研究人员比较了改进和优化后的 ResNet50、InceptionV3 和 VGG16 模型。通过 6 折交叉验证对 CNNs 进行微调，并在架构和学习率方面进行优化。为实现 SIJs 的自动提取，研究人员还开发了基于 YOLOv5 的 SIJ 探测器。

结果显示，基于 MRI 序列 RGB 组合图像训练的模型，性能显著优于基于单一序列训练的模型（p<0.05）。通过架构分解确定的最佳架构是 ResNet50 的前 9 个模块。参数减少的模型，在参数减少 83% 的情况下，性能达到甚至超过完整架构，其交叉验证测试集的准确率、灵敏度、特异性和受试者工作特征曲线下面积（ROC AUC）分别为 95.26%、96.25%、94.39% 和 99.1%。研究人员开发的 SIJ 探测器的平均精度均值（mAP@0.5）达到 96.88 - 99.88% 。

这表明深度学习模型能够成功区分 AS 和对照的 SIJs。基于联合传统 MRI 训练的模型具有较高的灵敏度和特异性，这在一定程度上减少了对有放射性的 CT 的需求。