基于深度学习的颈椎X线矢状面参数自动测量模型开发与验证

来自多中心的研究人员为提升颈椎矢状面参数测量效率，开发了一种深度学习模型，可自动识别颈椎X线片中的34个解剖标志点并计算6项关键参数（包括Borden法、CCI、CCL及C0 –C7 Cobb角等）。测试显示模型与医生标注一致性达96%以上（误差<4mm），MAE最低仅1.67mm，ICC高达0.983（p<0.001），为放射科医生提供了高效精准的AI辅助工具。

　　

这项突破性研究构建了首个用于颈椎X线矢状面参数智能测量的深度学习系统。科研团队从三家医院收集700例侧位颈椎X光片（500例训练集+200例测试集），由两名医师标注34个关键解剖标志点和6项曲度参数（含Borden间距、颈椎曲度指数CCI、椎体中心法颈曲角CCL及C₀
–C₇
/C₁
–C₇
/C₂
–C₇
Cobb角）作为金标准。

基于卷积神经网络(CNN)的算法展现出惊人精度：医生与模型间标志点定位误差<3mm的比例超94%，平均偏差仅1.17±1.14mm。在曲度参数测量中，模型表现尤为亮眼——C₁
–C₇
Cobb角测量误差仅2.49°（SMAPE=5.28%），所有参数ICC值达0.983（p<0.001），堪比专业医师间的一致性水平。

该技术突破实现了颈椎生物力学参数的全自动量化分析，其毫米级精度和20秒/例的运算速度，为临床评估颈椎退变、畸形等疾病提供了革命性的AI辅助诊断方案。