深度学习降噪技术在腰椎CT诊断椎间盘突出与椎管狭窄中的性能提升研究

为解决腰椎CT在椎间盘突出和椎管狭窄诊断中软组织对比度不足的难题，研究人员通过深度学习降噪技术（DLD CT）对47例患者（229个椎间盘）进行回顾性分析。结果显示，DLD CT显著提升了对椎间盘突出的敏感性（60% vs. 44%，p<0.001）和椎管狭窄的特异性（90% vs. 86%，p=0.003），同时改善了图像质量与诊断信心。该技术为临床提供了一种高效经济的筛查方案。

　　

这项研究探索了深度学习降噪技术（Deep Learning Denoising, DLD）在腰椎CT诊断中的突破性应用。通过对比47名患者（平均年龄69.1±10.9岁）的229个椎间盘数据，研究人员采用ClariCT.AI算法对传统滤波反投影（Filtered Back Projection, FBP）CT图像进行优化。三位放射科医师盲法评估显示，DLD CT在检测椎间盘突出时灵敏度提升16%（70/117 vs. 51/117，p<0.001），同时保持94%的高特异性。对于椎管狭窄和神经根孔狭窄的诊断，DLD CT展现出90%和94%的特异性（较传统CT提高4%和2%），而灵敏度稳定在81-83%。五级Likert量表证实DLD CT显著提升图像质量（p<0.05），其临床价值在于为MRI受限患者提供了可靠的替代方案。研究创新性地证明，AI驱动的图像优化技术能突破传统CT的软组织分辨率限制，为脊柱退行性病变的早期筛查开辟新途径。