编辑推荐：
腕管综合征（CTS）诊断面临挑战，研究人员开展基于深度学习对比鱼际和小鱼际超声图像诊断 CTS 的研究。结果显示，该模型性能最佳，能自动识别重要特征。这一成果有助于实现 CTS 的精准高效诊断。
在日常生活中，你是否曾感到手部莫名的疼痛、麻木，拿东西都没力气？这些看似不起眼的症状，很可能是腕管综合征（Carpal Tunnel Syndrome，CTS）在作祟。CTS 是一种因腕部腕管内正中神经受压引发的疾病，它可一点都不罕见，据统计，其患病率在 3 - 5%，是最常见的神经卡压性神经病。得了 CTS，患者手部不适，严重时甚至会影响工作能力。
目前，神经传导研究（Nerve Conduction Study，NCS）是诊断 CTS 的金标准。可 NCS 需要扎针，这不仅会让患者感到痛苦，还存在损伤肌肉的风险。于是，超声检查（Ultrasonography，US）作为一种替代诊断工具走进了人们的视野。US 具有无创、成本低、操作便捷等优点，检查耗时也比 NCS 短。不少研究尝试通过测量正中神经的横截面积来诊断 CTS，而且已有研究表明，US 诊断的敏感性几乎能与 NCS 相媲美。
然而，US 在 CTS 诊断中的应用并非一帆风顺。确定合适的横截面积临界值是个难题，不同患者的解剖结构存在差异，而且诊断结果还容易受检查者专业水平的影响。当 CTS 发生时，正中神经失神经支配，与它相连的鱼际肌肌肉纤维会被纤维组织替代，这在 US 图像上表现为回声等多种变化。但鱼际肌的回声强度不仅受 CTS 影响，还和个人肌肉质量等因素有关，仅依据鱼际肌回声强度诊断 CTS 很容易出错。而与尺神经相连的小鱼际肌不受 CTS 影响，因此，对比鱼际肌和小鱼际肌的相对回声强度来检测异常是个不错的思路。
为了解决这些问题，来自国外的研究人员开展了一项基于深度学习与对比引导诊断 CTS 的研究。他们的研究成果具有重要意义，有望为 CTS 的诊断带来新的突破，该研究成果发表在《Clinical Neurophysiology》杂志上。
研究人员采用了多种关键技术方法。首先，他们构建了包含患者鱼际和小鱼际超声图像的数据集。为对比分析模型性能，还实施了多种基线模型，包括基于回声强度比（EI ratio）的传统定量分析方法、基于机器学习（Machine Learning，ML）的方法以及基于深度学习（Deep Learning，DL）的方法。研究中利用五个指标评估分类性能，分别是准确率、敏感性、特异性、F1 分数和受试者工作特征曲线下面积（AUC） 。
在研究结果部分，首先是模型设计与训练。研究人员设计了通过对比鱼际和小鱼际超声图像模式相似性来诊断 CTS 的 DL 模型。在训练过程中，使用基于余弦相似度的对比引导，让模型自动识别鱼际和小鱼际肌肉超声图像之间的异常差异。
接着是模型性能对比。通过对比不同模型的受试者工作特征（ROC）曲线发现，提出的基于对比引导的深度学习模型性能最佳。与基于 ML 的模型相比，DL 模型在学习 CTS 数据集中的复杂特征方面更具优势。ML 方法通常依赖从业者预先定义特征进行诊断，而在 CTS 这类数据集中，即使是医学专家也难以确定哪些特征对诊断重要，所以 ML 模型往往只能选择一些普遍认为重要的手动选择特征 。而 DL 模型无需手动标记感兴趣区域（ROI），也不用指定提取的特征，能自动提取重要特征，减少了从业者的干预。与仅使用鱼际肌图像的 DL 模型相比，该研究提出的模型综合考虑了小鱼际肌图像，能更好地补偿性别、年龄等影响 CTS 分析的因素，降低患者个体差异对诊断的影响，提高了检测的准确性。
研究结论表明，基于对比引导的深度学习模型能从超声图像中自动识别 CTS 诊断的重要特征。该对比方法对超声图像分析中的传统问题，如不同的临界值和患者解剖变异具有较强的鲁棒性。这一研究成果为 CTS 的诊断提供了更精准、高效的方法，有助于推动 CTS 诊断技术的发展，让更多患者能够得到及时、准确的诊断和治疗，在临床应用中具有广阔的前景。
