基于卷积神经网络的颅骨平片诊断三叉神经痛：一项深度学习辅助筛查的创新研究

为解决三叉神经痛（TN）诊断依赖主观症状、MRI成本高且效率低的问题，首尔国立大学盆唐医院团队利用卷积神经网络（CNN）分析颅骨X线平片，开发了一种新型诊断模型。研究通过166例TN患者和498例对照的影像数据训练DenseNet-121模型，测试集准确率达87.2%（AUROC 0.90），关键聚焦蝶骨体和斜坡区域。外部验证准确率71.0%，证实该方法可作为MRI的补充筛查工具，为TN的客观诊断提供新思路。

　　

三叉神经痛（Trigeminal Neuralgia, TN）被称为"天下第一痛"，患者常因面部电击样剧痛而生活质量严重受损。然而，这种疾病的诊断至今仍面临巨大挑战——超过60%的患者曾被误诊，许多人甚至因错误判断接受了不必要的牙科手术。当前诊断主要依赖患者主观描述和昂贵的磁共振成像（MRI），但MRI在区分特发性TN与神经血管压迫（NVC）以外的病因时效果有限。更棘手的是，最新研究显示NVC可能并非TN的必要条件，这促使科学家重新审视半个世纪前提出的假说：颅骨结构差异可能是TN的潜在诱因。

在这一背景下，首尔国立大学盆唐医院联合多家机构的研究团队开展了一项创新研究，尝试用深度学习技术从普通颅骨X线片中挖掘诊断线索。这项发表在《Scientific Reports》的研究首次证明，基于卷积神经网络（CNN）的算法能以87.2%的准确率识别TN患者的颅骨特征，为这一古老疾病提供了经济便捷的新型筛查工具。

研究团队采用迁移学习策略，将预训练的DenseNet-121模型适配于二分类任务。关键技术包括：1）收集166例TN患者和498例颅内动脉瘤患者的颅骨侧位片，按6:2:2划分数据集；2）应用对比度受限自适应直方图均衡化（CLAHE）和空间变换进行数据增强；3）采用梯度加权类激活映射（Grad-CAM）可视化关键解剖区域；4）通过外部机构100例样本验证模型泛化能力。

Diagnosis of trigeminal neuralgia based on plain skull radiography using convolutional neural network

研究结果显示，优化后的模型在测试集上AUROC达0.90，敏感性和特异性分别为0.72和0.91。引人注目的是，Grad-CAM热图显示模型决策主要依赖蝶骨体至斜坡区域——这正是三叉神经从脑干发出、经Meckel腔和半月神经节走行的关键通路。这一发现为"颅骨结构差异导致神经牵拉"的假说提供了影像学证据，与既往研究报道的TN患者后颅窝容积减小的发现相呼应。

Materials and methods

在外部验证中，模型性能虽降至71.0%准确率，但仍显著高于随机水平。值得注意的是，假阳性病例的热图分布更分散，而真阴性判断则多聚焦于颅顶或颈椎，暗示模型确实学会了特异性解剖特征。

Results

讨论部分指出，该研究首次将深度学习应用于TN的颅骨结构分析，其意义在于：1）证实普通X线片蕴含被忽视的诊断价值；2）揭示蝶骨-斜坡区域可能是TN的解剖学危险因素；3）为资源有限地区提供MRI的替代筛查方案。局限性包括二维影像的解析度限制、对照组选择偏倚（均为动脉瘤患者）以及亚洲人群样本的普适性问题。

这项研究架起了历史假说与现代AI技术间的桥梁：上世纪20年代就有学者推测中颅窝平面角度与TN相关，而今通过7百万参数神经网络得以验证。未来结合三维CT或定量形态学分析，或将揭示更精确的颅骨-神经相互作用机制，为TN的精准诊疗开辟新途径。