深度学习在脊柱骨盆参数自动测量中的应用进展与临床价值评估

为解决脊柱畸形诊断中人工测量效率低、一致性差的问题，来自多国的研究人员通过系统综述评估了深度学习(DL)自动测量脊柱骨盆参数的准确性。分析16项研究显示，DL模型对骨盆倾斜(PT)、骨盆入射角(PI)、T4–T12后凸角等参数测量与医生结果高度一致(ICC>0.80)，为临床自动化评估提供了可靠新工具。

　　

这项系统综述聚焦人工智能在脊柱骨盆参数自动化测量中的突破性进展。通过检索2014-2024年PubMed数据库，研究者筛选出16项符合标准的研究，涵盖9,832张放射影像数据。深度学习模型在测量骨盆倾斜(pelvic tilt)、骨盆入射角(pelvic incidence)及T₄–T₁₂节段后凸角度(kyphosis)时展现出卓越性能，组内相关系数(ICC)普遍超过0.90，平均绝对偏差(MAD)控制在6°以内。值得注意的是，L₄–S₁前凸角(lordosis)和T₁–T₁₂后凸角的测量精度相对较低，Pearson相关系数分别仅为0.65和0.68。这些计算机视觉算法实现了与外科医生手工测量相当的准确性，为脊柱畸形量化评估提供了标准化解决方案。未来研究需拓展至MRI等多模态影像验证，并探索其临床工作流整合潜力。