基于卷积神经网络的超声图像中正中神经与腕横韧带形态学特征自动量化研究

本研究针对超声评估腕管解剖结构存在主观性强、操作者依赖性高等临床痛点，开发了基于U-Net架构的卷积神经网络(CNN)自动分割系统。通过154例健康人和腕管综合征(CTS)患者的超声图像训练，模型对正中神经和腕横韧带(TCL)的分割Dice分数分别达0.89±0.81和0.87±0.03，首次实现CTS患者神经横截面积和腕弓高度的自动量化对比(p<0.05)，为CTS的客观诊断提供了AI新范式。

　　

腕管综合征(CTS)作为最常见的周围神经卡压性疾病，其诊断长期依赖主观的症状评估和神经传导检查。虽然超声成像能直观显示腕管内的正中神经(median nerve)和腕横韧带(transverse carpal ligament, TCL)结构，但传统手工测量存在三大瓶颈：操作者需要特殊培训、测量结果存在观察者间变异、耗时的手动标注难以临床推广。这些局限性使得超声在CTS诊断中的潜力未能充分释放。

美国亚利桑那大学医学院的研究团队在《Medical Engineering》发表的研究中，创新性地将深度学习技术引入腕管超声分析领域。该研究采用经典的U-Net架构，通过对154例健康志愿者和CTS患者的远端腕管横断面超声图像进行训练，建立了可同时自动分割正中神经和TCL的双任务CNN模型。研究首次系统验证了AI模型在CTS形态学参数量化中的可靠性，发现CTS患者的神经横截面积(cross-sectional area, CSA)和腕弓高度(carpal arch height)显著大于健康人群(p<0.05)，这些发现与既往手动测量研究结论高度一致，证实了AI模型的临床适用性。

关键技术方法包括：1)采集95名健康人和CTS患者的超声图像构建数据集；2)采用U-Net进行端到端训练，优化Dice分数(DSC)、召回率(recall)和精确度(precision)指标；3)通过组内相关系数(ICC)和平均绝对误差(MAE)评估形态学参数的测量可靠性；4)使用Wilcoxon符号秩检验比较健康组与CTS组的差异。

【Results】部分显示：

1. 模型性能：健康组正中神经分割的DSC达0.89±0.81，显著高于CTS组的0.81±0.08；TCL分割在健康组的DSC为0.87±0.03，CTS组降至0.77±0.10，反映病理改变增加分割难度。
2. 形态学差异：模型预测显示CTS组的神经CSA较健康组增加15.2%，腕弓高度增加12.8%(p<0.05)，与手动测量趋势一致(ICC>0.85)。
3. 测量可靠性：所有形态参数的ICC值介于0.82-0.91，MAE控制在像素级误差范围内。

【Discussion】指出该研究的三大突破：

1. 首次实现TCL的自动分割与厚度测量，弥补了既往研究仅关注神经分割的局限；
2. 通过端到端网络同时输出6个临床参数(包括腕弓宽度/面积、TCL-神经中心距等)，较传统单参数测量效率提升80%；
3. 发现模型在CTS图像的表现下降现象，提示未来需增强病理样本训练。

这项研究的临床意义在于：为CTS诊断提供了标准化、可重复的AI量化工具，其0.86-0.94的召回率表明可有效减少假阴性；自动生成的形态学参数图谱有助于揭示CTS的解剖学危险因素。作者JLH等强调，该技术框架可扩展至其他周围神经病变研究，但需在更大规模的多中心数据中验证泛化能力。研究获得亚利桑那大学TRIF基金支持，相关代码已开源以促进领域发展。