编辑推荐：
为解决现有脊柱侧弯自动诊断缺乏标准化临床术语体系等问题，研究人员开展基于深度学习的全自动 Cobb 角测量及标准化报告研究。结果显示，在 SpineWeb 数据集上 CMAE 为 3.50、SMAPE 为 7.35，优于现有方法，提升了数据质量与临床应用价值。
脊柱侧弯作为一种常见的骨骼肌肉疾病，表现为脊柱侧向弯曲角度超过 10°，好发于青少年，若不及时治疗可能引发身体畸形、慢性疼痛甚至呼吸问题。目前，Cobb 角测量是评估脊柱侧弯严重程度的金标准，但其依赖医生手动分析 X 射线图像，不仅耗时，还存在观察者间差异，影响诊断的一致性和准确性。同时，现有基于深度学习的自动诊断方法多聚焦于角度测量，缺乏系统化的标准化临床术语体系，导致报告格式和术语不统一，阻碍了医疗数据的整合、分析及跨机构比较。
为解决上述问题，韩国 Healthhub Co. Ltd 的 AI Lab 与京畿大学的研究人员开展了相关研究，旨在开发一种结合深度学习与标准化报告的全自动脊柱侧弯诊断流程。该研究成果发表在《Scientific Reports》上，为脊柱侧弯的精准诊断和临床数据管理提供了新的解决方案。
研究人员采用了以下关键技术方法：使用 SpineWeb 和 Mendeley 公开数据集，其中 SpineWeb 数据集包含 609 张脊柱前后位（AP）X 射线图像，用于训练和测试模型；Mendeley 数据集经筛选后选取 234 张图像用于部分模型训练。数据处理方面，通过脊柱区域检测器（Spine Region Detector）裁剪脊柱区域，应用多尺度图像对比度增强（MUSICA）技术提升图像质量，并对图像尺寸进行标准化处理。深度学习模型构建了包含脊柱区域检测器、T12 区域检测器（Res-UNet）、椎体 landmark 检测器（S-Former）和椎体边界检测器（Attention U-Net）的端到端流程，实现椎体检测、Cobb 角计算及基于 SNOMED CT 的标准化报告生成。
研究结果
T12 椎体检测评估
在 128 个测试样本中，T12 区域检测器成功识别 T12 椎体 120 例，检测准确率达 93.75%， precision 为 97.56%，recall 为 96.00%，显示出较高的可靠性，为椎体标注和 Cobb 角估计提供了关键锚点。
Cobb 角估计评估
在 SpineWeb 数据集的 128 个测试样本上，该模型取得了优异性能，CMAE 为 3.50±2.22，SMAPE 为 7.35%，优于现有方法如 Kim et al.、Guo et al. 等。通过 Bland-Altman 图分析，超过 90% 的测试数据差异小于 10 度，平均差异约 2 度，表明模型估计结果与真实值一致性较高。消融研究显示，同时应用脊柱区域裁剪和脊柱掩码可显著提升性能，CMAE 和 SMAPE 分别低至 3.50 和 7.35，PT 角的 CCC 和 ICC 达 0.971，显示出极佳的一致性。
计算效率评估
在 NVIDIA Tesla K40 GPU 上，处理单张 X 射线图像平均耗时 0.26 秒，虽略慢于部分现有方法，但考虑到其额外的特征提取和优化模块，该 latency 在临床场景中仍可接受。
标准化报告
研究定义了基于 SNOMED CT 的脊柱侧弯诊断模板，扩展了现有框架以包含 Cobb 角值和具体椎体信息，并在 SNOMED CT Expo 2024 上验证了其有效性，确保了临床报告的一致性和互操作性。
研究结论与讨论
该研究提出的端到端流程在 Cobb 角估计中表现出色，CMAE 和 SMAPE 均优于传统 SOTA 模型，且通过 SNOMED CT 实现了标准化报告，提升了诊断一致性，减少了术语和格式差异带来的问题。自动化流程可显著减轻临床医生工作量，提高脊柱畸形评估效率。尽管研究基于公开数据库，且输入图像限于 2D AP 视图，但模型在 T12 检测、角度估计和标准化报告方面的可靠性，使其在临床应用中具有重要潜力。未来研究将致力于扩展至更多图像方位，进一步验证模型在真实临床环境中的性能。该研究为脊柱侧弯的精准诊断、数据标准化及跨机构研究奠定了基础，有望推动相关领域的临床实践和研究进展。
