基于关键点区域卷积神经网络(KR-CNN)的全脊柱站立位X线胸椎Cobb角自动测量系统的开发与验证

本研究针对青少年特发性脊柱侧凸(AIS)筛查中人工测量胸椎Cobb角(TCA)存在的主观误差和效率低下问题，开发了一种基于关键点区域卷积神经网络(KR-CNN)的自动化测量工具。通过609例全脊柱X线图像训练和83例手术患者验证，模型实现平均绝对误差(MAE)2.22°、组内相关系数(ICC)0.98的优异性能，为AIS早期筛查和术后评估提供了精准高效的AI解决方案。

　　

脊柱侧凸是困扰青少年的常见脊柱畸形，其中青少年特发性脊柱侧凸(AIS)影响着2-4%的青少年群体。若不及时干预，这种三维脊柱畸形可能导致心肺功能障碍、早发性骨关节炎等严重后果。目前临床诊断主要依赖胸椎Cobb角(TCA)测量，但传统手工测量存在高达10°的观察者间差异，尤其在校园筛查等缺乏专业放射科医师的场合，误诊率居高不下。Mert Marcel Dagli团队在《Acta Neurochirurgica》发表的研究，为这一临床痛点带来了突破性解决方案。

研究团队采用多中心协作模式，关键技术包括：1) 使用SpineWeb提供的609例标注关键点的脊柱X线图像(Dataset 16)训练KR-CNN模型；2) 基于ResNet-50-FPN架构开发具有关键点检测功能的神经网络；3) 采用美国费城儿童医院83例AIS手术患者的术前术后X线进行外部验证；4) 通过MAE、SMAPE等5项指标系统评估模型性能。

方法学创新

研究创新性地将关键点检测与区域卷积神经网络结合，通过识别椎体解剖标志自动计算TCA。如图1所示，模型先通过卷积层提取图像特征，再经区域提议网络定位关键点，最终输出椎体边界和角度计算结果。这种设计有效克服了传统方法在复杂脊柱畸形和金属植入物干扰下的测量难题。

验证结果

在包含166张术前术后X线的外部验证集中，模型展现出卓越的稳定性：MAE仅2.22°、SMAPE低至4.29%，显著优于既往报道的Auto-CA(SMAPE 5.27%)和VLTENet(MAE 2.51°)等方法。图2展示的典型病例中，模型对严重侧凸和术后含内固定器械的X线均能准确标注关键点。图3的校准曲线显示预测值与人工测量结果高度一致(ICC=0.98)。

临床意义

该研究实现了三大突破：首先，首次证明KR-CNN在脊柱测量任务中的泛化能力，跨机构验证误差仍保持临床可接受范围；其次，建立了一套完整的自动化测量框架，可扩展至腰椎前凸角等其它脊柱参数；最重要的是为校园筛查提供了可靠工具，有望将AIS早期诊断准确率提升30%以上。

讨论与展望

尽管在极端畸形病例中仍需优化，这项NIH资助的研究标志着AI辅助脊柱测量迈向临床实用化的重要一步。正如作者指出，未来可通过纳入三维CT数据、开发置信度提示功能进一步提升性能。这项工作不仅为AIS诊疗树立了新标准，其技术框架更为骨科影像分析开辟了新途径。