编辑推荐：
为解决腰椎退行性疾病（LDDs）诊断效率低、工作量大等问题，研究人员开发 Lumbar CAD 系统，利用双视图 MRI 分类。该系统定位成功率超 96%，多标签分类准确率达 0.890 和 0.879，速度快 120 倍，具临床应用潜力。
腰椎退行性疾病（LDDs）如腰椎间盘突出等是全球常见骨科疾病，每年约 2.66 亿人受其困扰。传统依靠放射科医生解读 MRI 的方式，面临患者数量多、医生 workload 大、长时间工作易疲劳导致诊断 inaccuracies 等问题。如何提升诊断效率与准确性，成为亟待解决的临床难题。
为攻克这一挑战，中山大学第七附属医院联合深圳大学总医院的研究人员，开展了基于深度学习的计算机辅助诊断系统研究。相关成果发表在《Biomedical Signal Processing and Control》，为腰椎退行性疾病的诊断提供了新的技术路径。
研究人员开发了名为 Lumbar CAD 的系统，主要采用以下关键技术方法：首先利用 nnUNetv2 网络对腰椎 MRI 矢状面图像进行椎体分割，定位 L1-S1 共 6 个椎体，从而确定 L1/L2 至 L5/S1 的 5 个椎间盘位置，提取椎间盘层面图像；接着通过 3D ResNet 模型对矢状面图像进行二分类，判断椎间盘是否退变；再利用 SE-ResNet 模型对轴面图像进行七类多标签分类，识别包括椎间盘退变、膨出、硬膜囊压迫等病变；标签直接从临床影像报告中提取，避免放射科医生重新标注；数据来自两个医学中心，包含训练、验证、内外部测试集。
4.1 数据集特征
研究纳入 369 例患者的 1845 个腰椎间盘，其中中心 1 的 290 例患者（1450 个椎间盘）和中心 2 的 79 例患者（395 个椎间盘）。两中心患者在年龄（p=0.203）和性别（p=0.054）上无显著差异，数据集涵盖正常与退变椎间盘，以及多种退行性症状，为模型训练和验证提供了丰富数据。
4.2 腰椎间盘定位性能
在内部测试集，58 例患者中仅 2 例未达分割标准，成功率 96.7%；外部测试集 79 例患者中仅 1 例不达标，成功率 98.7%。椎体分割的 Dice 相似系数在内部和外部测试集分别为 0.959 和 0.923，表明定位方法准确可靠。
4.3 矢状面图像二分类性能
3D ResNet34 模型在验证集召回率最高（0.963），虽在测试集性能非最优，但因召回率优势被选入系统。内部测试集 3D ResNet18 召回率最高（0.941），3D ResNet50 的 AUC 最佳（0.971）；外部测试集 3D ResNet50 的召回率（0.911）和 AUC（0.921）最高，显示出模型在退变检测中的有效性。
4.4 轴面图像多标签分类性能
SE-ResNet50 在验证集平均 F1 分数（0.833）和平均 AUC（0.939）最高，被选为多标签分类模型。内部测试集 SE-ResNeXt50 平均 F1 分数（0.879）和平均 AUC（0.961）最佳；外部测试集 SE-ResNet101 平均 F1 分数（0.769）最高，SE-ResNeXt50 平均 AUC（0.946）最高，体现了对多种病变的分类能力。
4.5 腰椎 CAD 系统性能
系统在内部测试集的平均准确率为 0.890，平均 F1 分数 0.867；外部测试集平均准确率 0.879，平均 F1 分数 0.760。五折交叉验证的 Fleiss’ kappa 值内部超 0.830，外部超 0.739，显示高可靠性。GPU 内存消耗约 2.9GB，每例推理时间 1.09±0.01 秒，比放射科医生快超 120 倍。
4.6 特征可视化与计算效率
Grad-CAM 热图显示模型关注椎间盘区域，不同病变标签对应热图中心位置不同，表明模型具有一定可解释性。计算效率方面，系统推理速度优势显著，大幅提升诊断效率。
研究表明，Lumbar CAD 系统通过深度学习与双视图 MRI 结合，实现了腰椎间盘的自动定位与多病变分类，在准确性和效率上均表现出色。尽管存在数据集较小、跨中心分布差异等局限，但该系统为临床提供了高效辅助诊断工具，有望减轻医生负担、提升诊断质量，推动腰椎退行性疾病诊断的智能化发展。未来可通过自然语言处理技术扩大数据集、纳入更多疾病类型，进一步提升系统的泛化能力与临床适用性。
