基于深度学习算法的脊柱侧凸患者轴向椎体旋转自动评估系统研究

本研究针对脊柱侧凸患者轴向椎体旋转(AVR)评估中Nash-Moe分类法存在的主观性问题，开发了一种基于MMRotate工具箱的两阶段深度学习框架。通过1080例4-18岁患者的后前位脊柱X光片，研究人员构建了椎体检测(mAP 0.909)和椎弓根检测(mAP 0.905)模型，创新性地采用12段分割系统和椎弓根宽度比(PWR)量化指标，实现了74%的整体分类准确率，单例处理时间<5秒，显著优于传统手动测量(114秒/例)。该研究为脊柱侧凸的精准诊疗提供了高效客观的自动化工具。

　　

脊柱侧凸作为最常见的脊柱畸形，影响着全球2-3%的人口，其核心特征不仅包括冠状面的侧向弯曲，更关键的是轴向椎体旋转(AVR)这一三维畸形。尽管Cobb角已成为评估侧弯程度的标准指标，但临床实践表明，AVR的准确评估对疾病进展预测和治疗方案制定具有决定性作用。传统Nash-Moe分类法虽然被广泛采用，但其依赖医生主观判断的特性导致评估结果存在显著差异，在严重旋转病例中更可能造成椎弓根螺钉误置等手术风险。这种主观性和低效性已成为脊柱侧凸精准诊疗的主要瓶颈。

针对这一临床挑战，韩国岭南大学商学院Jeoung Kun Kim团队联合中国温州理工学院、首尔脊柱康复诊所等多机构研究人员，在《Scientific Reports》发表了创新性研究成果。研究团队开发了基于MMRotate工具箱的两阶段深度学习算法，通过1080例4-18岁患者的后前位脊柱X光片，实现了AVR的自动化定量评估。该研究突破性地将计算机视觉中的目标检测技术引入脊柱影像分析，相比传统分割方法大幅提升了计算效率。

关键技术方法包括：1)使用旋转等变ReDet模型进行椎体检测，训练集含864张全脊柱X光片；2)独立训练的椎弓根检测模型处理14,608个椎体片段；3)创新性改进Nash-Moe方法，采用12段分割系统和椎弓根宽度比(PWR=min(Width₁,Width₂)/max(Width₁,Width₂))量化指标；4)在配备NVIDIA RTX 4090的工作站上完成模型训练与验证。

研究结果方面：
椎体检测结果显示：ReDet模型在验证集上达到0.909的均值平均精度(mAP)和0.999的召回率，绿色标注框与红色预测框的重合度验证了模型的精准定位能力。

椎弓根检测结果显示：模型取得0.906 mAP和0.962召回率，能有效识别椎弓根的空间关系。

分类性能评估显示：整体准确率达0.74，其中Grade 0病例表现最佳(F1-score 0.80)，Grade 3因样本量不足仅获0.33召回率。改进的12段分割系统显著提升了定位精度，如(2,12)坐标对应PWR<0.85时可准确识别Grade 1旋转。

该研究的突破性价值体现在三个方面：方法学上，首次将目标检测框架应用于Nash-Moe分类，相比Logithasan等采用的U-Net分割方案，计算效率提升20倍以上；临床上，5秒/例的处理速度使其具备实时分析潜力，74%的准确率已达到基础应用标准；技术上，PWR指标和12段系统的创新为脊柱旋转量化建立了新标准。研究局限性主要在于严重旋转病例(Grade 3-4)数据不足，未来需要通过扩大样本量和加权学习策略进一步优化模型性能。

这项由韩国与中国学者合作完成的研究，为脊柱侧凸的智能化诊疗提供了重要工具。其价值不仅在于实现了AVR评估的自动化，更开创性地将计算机视觉的最新进展与骨科临床需求相结合，为医学人工智能的跨学科应用提供了典范。随着数据集的扩充和算法的迭代，这种基于深度学习的量化评估方法有望成为脊柱畸形诊疗的新标准。