基于HRViT神经网络的发育性颈椎管狭窄症自动诊断系统开发及中国人群Torg-Pavlov比值基准研究

本研究针对发育性颈椎管狭窄症(DCSS)诊断中Torg-Pavlov比值(TPR)测量存在的主观性强、效率低下等问题，开发了基于高分辨率视觉变换器(HRViT)的自动测量模型。研究收集1623例正常人群颈椎侧位X线图像，通过深度学习算法实现椎体标志点精准定位与TPR自动计算，结果显示模型测量与资深医师一致性达ICC 0.77-0.9，诊断准确率84.1%，显著高于初级医师组(56%-57%)，同时建立了中国无症状人群各颈椎节段TPR参考值范围。该研究为DCSS早期筛查提供了客观、高效的AI辅助工具，对资源有限地区的脊柱疾病诊疗具有重要临床价值。

　　

颈椎疾病诊疗领域长期面临一个棘手难题：发育性颈椎管狭窄症(DCSS)作为颈椎退行性疾病的重要诱因，其早期诊断依赖Torg-Pavlov比值(TPR)的精确测量，但传统手工测量不仅耗时费力，更因医师经验差异导致结果波动。更令人担忧的是，中国人群至今缺乏系统的TPR基准数据，而现有国际标准是否适用于亚洲人群尚存疑问。这些瓶颈严重制约着DCSS的早期干预，特别是在医疗资源匮乏地区，昂贵的CT/MRI检查往往难以普及。

针对这一系列挑战，三峡大学第一临床医学院联合中山大学生物医学工程学院的研究团队开展了一项突破性研究。他们巧妙地将前沿人工智能技术与临床需求相结合，开发出基于高分辨率视觉变换器(HRViT)的自动测量系统，不仅实现了TPR的精准高效计算，更首次建立了中国无症状人群的TPR参考值体系。这项发表于《BMC Musculoskeletal Disorders》的研究，为脊柱疾病诊断领域带来了全新的解决方案。

研究团队采用了三项关键技术方法：首先收集2018-2023年间1623例成人颈椎侧位X线图像（分辨率2480×3072像素），经严格筛选后划分为训练集(1466例)和测试集(157例)；其次采用HRViT神经网络架构，通过四阶段高分辨率特征提取和HRViTAttn注意力机制实现18个椎体标志点的精确定位；最后基于高斯热图预测和仿射变换，自动计算C2-C7各节段的SDD（椎管矢状径）/VBD（椎体矢状径）比值。模型性能通过平均绝对误差(MAE)、组内相关系数(ICC)等指标系统评估。

【General data distributions】
研究揭示了中国人颈椎解剖的重要特征：C2节段TPR最高(1.31±0.17)，C7最低(0.93±0.12)，其中C4椎管矢状径最小(17.60±1.74mm)。测试集分层分析显示模型在不同年龄(18-40岁vs 61-80岁)和性别组中均保持稳定性能(MAE 0.01-0.03，ICC 0.82-0.88)。这些数据为建立中国人群特异性诊断标准提供了坚实基础。

【Computational efficiency of landmark localization】
模型展现出惊人的工作效率，单幅图像分析仅需数秒，较医师手动测量的3分钟提升数十倍。图4展示的标志点检测示例显示，模型能准确识别椎体前、中、后缘等关键解剖标志，为后续自动化计算奠定基础。

【Measurement performance】
与资深脊柱外科医师R1（10年经验）的"金标准"相比，模型在C3-C7节段的TPR测量差异仅为0.01-0.02（p>0.05），ICC达0.85-0.90，显著优于初级医师R2/R3组(ICC 0.56-0.58)。Bland-Altman分析显示95%的测量差值位于-0.15至+0.15区间内，证实了模型的临床级精度。特别值得注意的是，模型诊断DCSS的准确率达84.1%，远超R2(57.3%)和R3(56.7%)。

【Validation on noisy data】
在模拟真实场景的噪声测试中（σ=0.2高斯噪声，15×15运动模糊核），模型MAE仅从0.01升至0.04。熵值过滤机制成功排除22%的低质量图像，使错误预测减少32%(p<0.01)，热图峰值<0.7的预测自动标记为需复核，体现了临床应用的可靠性设计。

【Intra- and inter-surgeon variability】
深入分析揭示了医师测量的固有差异：R1医师自身重复测量的ICC为0.91(MAE 0.03)，而R1与R2/R3间的ICC降至0.56-0.58(MAE 0.17-0.19)，这一发现有力佐证了AI模型在标准化测量方面的优势。

研究结论部分提出了具有临床指导意义的DCSS诊断阈值：当TPR低于C3 0.77、C4 0.73、C5 0.76、C6 0.77、C7 0.73时应考虑DCSS诊断。这些基于大样本中国人群的数据，修正了既往国际研究中0.80的通用标准可能不适用于亚洲人群的局限。

讨论部分着重强调了三个创新点：一是HRViT模型通过混合尺度卷积前馈网络(MixCFN)和正交局部注意力机制，解决了传统CNN在长程依赖关系建模上的不足；二是首次建立了中国无症状人群各颈椎节段的TPR参考值，填补了该领域的空白；三是开发的AI系统在保持资深医师水平精度的同时，将效率提升数十倍，对基层医院推广具有重要意义。

该研究的临床转化价值尤为突出：在CT/MRI设备匮乏地区，仅需普通X线设备配合该AI系统即可实现DCSS的精准筛查；建立的TPR参考值为中国人群颈椎退行性疾病风险评估提供了客观依据；而模型对图像质量波动的鲁棒性，使其在移动医疗、远程会诊等场景具有广阔应用前景。未来通过多中心验证和动态随访研究，将进一步优化这一智能诊断系统的临床应用价值。