基于深度学习的MRI诊断模型开发：区分布鲁氏菌性脊柱炎与结核性脊柱炎

本研究针对布鲁氏菌性脊柱炎(BS)与结核性脊柱炎(TS)临床鉴别诊断困难的问题，开发了一种整合CBAM注意力机制的ResNeXt-50深度学习模型。通过分析310例患者的T2WI MRI图像，模型准确率达94.2%，AUC达0.953，显著优于传统方法。该研究为脊柱感染性疾病的精准诊断提供了AI解决方案，具有重要临床转化价值。

　　

脊柱感染性疾病中，布鲁氏菌性脊柱炎(BS)和结核性脊柱炎(TS)的临床表现高度相似，但治疗方案截然不同。当前诊断主要依赖血清学检测和影像学检查，前者存在假阳性率高、培养周期长等问题，后者则受限于医师经验差异导致的诊断不一致性。据统计，全球每年新增布鲁氏菌病病例超50万例，其中2%-60%会发展为BS，若未能及时鉴别可能导致脊柱畸形、神经损伤等严重后果。这一临床困境呼唤更客观、高效的诊断方法。

宁夏医科大学附属宁夏回族自治区人民医院临床医学院的研究团队创新性地将深度学习技术应用于脊柱感染鉴别诊断。他们开发的CBAM-ResNeXt-50模型通过分析常规T2加权磁共振成像(T2WI)序列，实现了BS与TS的自动化区分。该成果发表于《BioMedical Engineering OnLine》，为感染性脊柱病变的智能诊断树立了新标杆。

研究采用多中心回顾性设计，收集310例经病理/培养确诊的患者MRI数据（内部训练集217例，测试集93例；外部验证集74例）。关键技术包括：1）构建整合通道-空间注意力模块(CBAM)的ResNeXt-50架构；2）采用512×512像素标准化预处理；3）应用水平/垂直翻转数据增强；4）基于Adam优化器进行模型训练（初始学习率0.001，批量32）。

结果

一般临床信息

队列分析显示BS组平均年龄显著高于TS组（54.69±11.55 vs 51.15±19.11岁，P<0.001），男性占比更高（74.16% vs 25.48%）。腰椎L4单椎体（P=0.004）和L1+L2双椎体（P<0.001）受累存在显著组间差异。

多模型性能比较

CBAM-ResNeXt模型各项指标全面领先：准确率0.942（95%CI 0.920-0.964）、精确度0.940、召回率0.928、F1值0.934，显著优于ResNet50（准确率0.876）等基线模型。外部验证中模型保持稳定性能（准确率0.934）。

模型训练特征

损失函数曲线显示模型在20次迭代后趋于稳定，验证集损失与准确率呈负相关（r=-0.92）。Grad-CAM可视化证实模型能准确定位椎体破坏区与骨髓水肿带等关键病灶。

结论与讨论

该研究首次证实常规T2WI序列结合深度学习可有效区分BS与TS。CBAM模块的引入使模型能自适应聚焦于椎体终板溶解、椎旁脓肿等鉴别特征：BS多表现为非干酪样肉芽肿伴均匀骨髓信号增高，而TS典型表现为椎体前部破坏伴椎间隙狭窄。相较于需要增强扫描的传统方法，该方案仅需平扫MRI即可实现94.2%的准确率，在医疗资源匮乏地区尤具应用价值。

研究存在三方面局限：样本量有限、未纳入其他脊柱病变对照、仅使用T2WI单一序列。未来工作可探索多模态影像融合与可解释性AI技术。该成果为感染性脊柱炎的精准诊疗提供了新范式，其开源框架有望推动相关AI工具的临床转化。