编辑推荐：
腰背痛（LBP）与胸腰筋膜（TLF）密切相关，但超声评估受设备参数和 operator 经验限制。本研究采用深度学习对 538 例 LBP 患者超声图像进行 TLF 分割，U-Net 模型训练精度达 0.99，验证精度 0.91，为 LBP 个性化康复提供客观工具。
腰背痛（low back pain, LBP）是全球成年人致残的主要原因之一，其发病机制复杂，长期以来胸腰筋膜（thoracolumbar fascia, TLF）作为背部重要的结缔组织，却因解剖结构精细、超声成像依赖 operator 经验等问题，在临床评估中未得到充分重视。研究表明，LBP 患者的 TLF 厚度、回声特性及层间剪切应力均与健康人存在差异，但传统手动分割超声图像耗时且主观性强，难以满足临床实时分析需求。如何突破 operator 依赖性、实现 TLF 结构的自动化精准识别，成为解开 LBP 发病机制与个性化治疗的关键科学问题。
为此，意大利帕多瓦大学（University of Padova）的研究团队开展了一项基于深度学习的超声图像 TLF 分割研究，相关成果发表在《BMC Medical Imaging》。该研究旨在开发一种高效、客观的自动化工具，填补当前 TLF 评估的技术空白，为 LBP 的病理机制研究和临床干预提供新方法。
研究人员主要采用以下技术方法：
- 数据采集：从德国明斯特大学医院等机构收集 46 例慢性 LBP 患者的 538 幅超声图像（Alpinion ECUBE i7 设备），另从帕多瓦大学获取 6 例健康志愿者图像（Sonosite Edge II 设备）作为 Test set 2，以验证模型泛化能力。
- 深度学习模型：采用经典的 U-Net 架构，对图像进行预处理（裁剪、Resize 至 256×256、归一化），通过 Keras 框架训练 200 个 epoch，以分类交叉熵为损失函数。
- 性能评估：使用准确率、交并比（IoU）、Dice 系数等指标，并经两位临床专家视觉验证。
研究结果
模型训练与验证性能
模型在训练集和验证集的准确率分别达 0.99 和 0.91，损失值为 0.02 和 0.71。Test set 1（87 幅图像）预测准确率 0.94，IoU 为 0.82，Dice 系数 0.76；Test set 2 因设备、人群等差异，性能更优（IoU 0.85，Dice 0.91），表明模型在不同场景下具有可靠性。
临床验证与结构识别能力
专家视觉评估确认，模型能准确分割 TLF 的三层结构，并区分其与竖脊肌肌外膜（epimysial fascia）等周围组织。典型分割结果显示，模型输出与人工标注高度吻合，尤其在识别 TLF 与肌外膜间隙方面表现出色，该间隙被认为是筋膜滑动功能的潜在生物标志物。
研究结论与讨论
本研究首次将深度学习应用于 TLF 的超声图像分割，证明 U-Net 模型可高效、自动识别 LBP 患者的 TLF 结构。尽管未对比其他 AI 算法，但标准化的预处理流程、数据集划分及经典网络架构，为同类研究提供了可复用的技术框架。研究通过引入多中心、异质数据（Test set 2），验证了模型的泛化能力，尽管 Test set 2 样本量较小（6 例），但其性能优于患者组的现象，提示健康与病理状态下筋膜超声特征的差异可能更易被模型捕捉。
研究局限性包括未使用数据增强技术（避免筋膜结构失真）、未量化筋膜厚度及滑动参数等。未来可结合视频序列分析（利用连续帧降低误差）、扩大样本量（纳入特殊病理类型），并开发后处理工具以实现筋膜生物力学参数的自动化测量。这些改进将推动该技术从实验室走向临床，有望在超声设备中集成自动化分割功能，辅助医生在治疗前后评估 TLF 变化，实现 “精准康复”—— 例如针对增厚或粘连的筋膜层制定靶向物理治疗方案，为 LBP 的个体化诊疗提供客观依据。
总之，这项研究为筋膜生物学与 LBP 诊疗架起了桥梁，深度学习驱动的超声分割技术不仅突破了传统评估的瓶颈，更开启了 “数字筋膜学” 的新范式，其临床转化前景将深远影响肌肉骨骼疾病的诊断与治疗策略。
