基于卷积神经网络的颈椎平片深度学习模型在脊髓型颈椎病与神经根型颈椎病鉴别诊断中的应用研究

来自未知机构的研究人员开发了基于卷积神经网络(CNN)的深度学习算法(DLA)，通过颈椎平片实现脊髓型颈椎病(CSM)与神经根型颈椎病(CSR)的自动分类。研究采用300例患者数据进行五折交叉验证，AUC达0.84-0.96，外部验证集准确率90%。该技术可辅助非专科医生早期识别需转诊患者，显著提升CSM诊疗效率。

　　

这项突破性研究构建了基于卷积神经网络(CNN)的深度学习算法(DLA)，专门用于分析C₃-C₆节段颈椎平片。科研团队巧妙设计双任务模型：既能区分脊髓型颈椎病(CSM)和神经根型颈椎病(CSR)，又能预测磁共振成像(MRI)测量的椎管面积率。内部验证阶段采用150例CSM和150例CSR病例，通过五折交叉验证获得0.84-0.96的曲线下面积(AUC)，准确率最高达95%。在包含100例患者的独立外部验证中，模型表现持续亮眼——分类任务AUC 0.96、准确率90%，椎管面积预测相关系数0.61。该智能诊断系统展现出替代复杂MRI检查的潜力，为基层医疗机构提供了可靠的脊柱疾病筛查工具，有望将CSM确诊时间从数月缩短至数分钟。特别值得注意的是，算法对椎管狭窄的量化评估与金标准MRI结果具有显著相关性(r=0.57-0.64)，这为影像学标志物的自动化测量开辟了新途径。