基于神经网络多任务学习的青少年特发性脊柱侧凸后路融合手术规划辅助研究

为解决青少年特发性脊柱侧凸(AIS)后路器械融合(PSF)手术规划中器械选择差异大、结果不理想的问题，研究人员开发了人工神经网络多任务学习模型(NNML)，通过术前临床和影像数据预测上位/下位固定椎(UIV/LIV)、棒曲度及螺钉密度。模型在179例患者中验证显示：UIV/LIV预测准确率达80-100%，棒曲度误差±5°内准确率70-90%，显著优于单任务神经网络(ST-NN)(p≤0.01)，可模拟资深脊柱外科医生的器械设计决策流程。

　　

脊柱外科领域迎来智能革命！这项研究利用189例Lenke 1A/2A型青少年特发性脊柱侧凸(AIS)患者的术前数据，训练出能"三头六臂"的神经网络多任务学习模型(NNML)。这个数字医生不仅会选固定椎——预测上位固定椎(UIV)和下位固定椎(LIV)的准确率分别高达82-95%和80-100%，还能像老匠人般拿捏棒材弯曲度(误差±5°内准确率70-90%)，甚至预判螺钉排布密度(均方根误差仅0.2-0.3)。通过十折交叉验证和外部医院测试，这个包含83个输入参数的"手术规划大师"完胜单任务模型(ST-NN)，验证损失值从9.3直降到6.2(p≤0.01)。研究证实，NNML能精准复刻资深脊柱外科医生的决策逻辑，为AIS患者量身定制后路器械融合(PSF)方案，让"千人千面"的脊柱矫形迈入AI辅助新时代。