基于深度学习（YOLOv8-seg）的椎间盘异常智能分类系统（IDAICS）在脊柱健康管理中的高效诊断应用研究

本文系统介绍了一种基于深度学习YOLOv8-seg网络的椎间盘异常智能分类系统（IDAICS）。研究通过对574例CT影像进行四分类（正常椎间盘、许莫氏结节、椎间盘膨出、突出），实现了93.2%的分类准确率（Kappa=0.905, P<0.001）。该系统有效解决了传统人工诊断的主观性差异问题，为脊柱疾病精准诊疗提供了自动化解决方案。

　　

背景

椎间盘异常（如退变和突出）是脊柱疾病的常见诱因，常导致慢性疼痛和功能障碍。传统人工影像分析方法存在主观性强、耗时长的局限性。随着深度学习技术的发展，椎间盘异常的自动化精准分类已成为具有前景的替代方案。

引言

作为退行性脊柱疾病的主要表现，椎间盘异常从常见的膨出、突出到复杂的许莫氏结节，严重影响患者生活质量。虽然磁共振成像（MRI）在诊断椎间盘异常方面优于计算机断层扫描（CT），但CT因其快速性和可及性仍在临床实践中广泛应用。由于临床影像数据的复杂性和多样性，传统人工评估方法受主观因素影响，诊断准确性和一致性存在局限。深度学习技术在医学影像分析中已广泛应用于肝脏、胰腺、肺部和乳腺癌等领域，但在骨科影像中仍属新兴领域。本研究旨在基于YOLOv8-seg深度学习模型开发椎间盘异常自动分类系统，将椎间盘状况分为四个临床相关类别：正常椎间盘、许莫氏结节、椎间盘膨出和椎间盘突出。

材料与方法

研究使用2021年8月至2024年3月期间收集的574张椎间盘CT图像数据集，包含异常病例（许莫氏结节、椎间盘膨出和突出）以及正常椎间盘图像。所有图像均由经验丰富的放射科医生审核标注，标注过程采用多放射科医生一致性协议确保标签可靠性。

研究采用YOLOv8-seg深度学习网络进行分类，该网络能够同时执行目标检测和实例分割。模型同时利用轴状面和矢状面切片提供全面信息。训练在Nvidia 4090 24GB GPU上进行。

数据预处理包括将图像从原始黑白格式转换为灰度图，使用Python PIL库确保输入图像与训练标签的一致性。图像统一调整为512×512像素分辨率，以满足YOLOv8-seg模型的输入要求。应用实时数据增强技术（包括水平翻转）以缓解数据集样本不平衡问题。

数据集构建通过LabelMe工具进行手动标注，由两名认证放射科医生在像素级进行完全手动轮廓绘制。数据集包含500张训练图像和74张验证图像。训练集包括104个正常椎间盘、57个许莫氏结节、128个椎间盘膨出和211个椎间盘突出。验证集包含14个正常椎间盘、10个许莫氏结节、21个椎间盘膨出和29个椎间盘突出。

放射学定义如下：正常椎间盘位于两个相邻椎骨之间，不超出其边缘；许莫氏结节指髓核通过上下软骨终板裂缝突入椎体；椎间盘膨出定义为超出椎间盘边缘25%或突出两侧与髓核中心角度大于90°；椎间盘突出定义为突出小于椎间盘边缘25%，突出基部大于突出本身，且突出两侧与髓核中心角度小于90°。

YOLOv8-seg网络采用端到端架构，同时进行目标定位、分类和像素级掩模生成。骨干网络提取多尺度特征，通过混合FPN-PANet颈部整合，以在不同空间尺度上捕获详细的椎间盘形态。网络在单次前向传递中直接输出边界框、分类分数和实例掩模。采用复合损失函数，包括用于分类的Focal Loss（解决样本不平衡问题）、用于边界框回归的CIoU Loss（考虑重叠、中心距离和纵横比）以及用于分割的Dice–BCE组合（优化掩模边界划分和像素级准确性）。

训练配置包括150个训练周期，批量大小为16，初始学习率为0.001。这些超参数基于初步实验中的经验性能和训练稳定性选择。

评估指标包括整体正确分类率和kappa系数。对于每个椎间盘状况类别，计算灵敏度、特异性、阳性预测值（PPV）、阴性预测值（NPV）和Youden指数，以全面评估模型性能。

结果

分类结果显示模型在多个类别中具有高准确性。在包含74张图像和74个实例的整体分类中，模型正确识别69个实例，错误分类5个。在"椎间盘膨出"类别（21个样本）中，19个正确预测，2个错误分类为椎间盘突出。"椎间盘突出"类别（29个样本）中，26个正确识别，3个错误分类为椎间盘膨出。"正常椎间盘"类别（14个样本）完全正确分类。"许莫氏结节"类别（10个样本）全部准确识别。

模型性能指标显示："正常椎间盘"和"许莫氏结节"类别的灵敏度和特异性均为1.00；"椎间盘膨出"灵敏度0.905，特异性0.962；"椎间盘突出"灵敏度0.897，特异性0.956。所有类别均表现出强大的阳性预测值和阴性预测值，"许莫氏结节"的PPV和NPV达到1.00完美分数。Youden指数中，"许莫氏结节"最高（1.00），"椎间盘膨出"为0.983。

与基线模型比较显示，YOLOv8在相同数据集上 consistently优于YOLOv5（准确率约86.5%）、YOLOv3（78.4%）和Faster R-CNN（91.9%），达到93.2%的准确率。YOLOv8表现出显著降低的推理延迟，增强其实时临床应用的适用性。

讨论

椎间盘疾病通常表现为不同程度的背痛、腰痛和神经功能障碍，但椎间盘形态变化通常细微且患者间表现差异大。传统影像分析方法依赖医师经验和主观判断，易受操作误差和诊断者经验差异影响。

本研究将深度学习技术应用于椎间盘状况分割。最近荟萃分析显示，基于深度学习的腰椎间盘（IVDs）分割模型表现出 exceptional准确性，汇总Dice相似系数（DSC）达到0.900。Deeplab变体在多中心数据集中DSC值高达0.930，U-Net变体DSC值 consistently高于0.897。这些发现强化了深度学习模型在IVD分割中的高可靠性。

本研究提出的基于深度学习的椎间盘异常分类方法在椎间盘疾病自动诊断方面展现出显著优势。模型不仅实现了93.2%的正确分类率，还获得了0.905的kappa系数（P<0.001），表明模型在临床实践中具有高度可靠性和一致性。分类模型在四类椎间盘疾病中表现出强大性能，"正常椎间盘"和"许莫氏结节"类别实现完美的灵敏度和特异性值（1.00）。"椎间盘膨出"和"椎间盘突出"的灵敏度略低（分别为0.905和0.897），但特异性保持较高水平（0.962和0.956）。灵敏度降低可能是由于膨出和突出椎间盘之间的形态相似性导致偶尔错误分类。

结合深度学习技术，椎间盘异常的自动分类不仅为影像筛查提供强大支持，还有助于疾病早期诊断和后续管理。在退行性椎间盘疾病早期阶段，使用AI模型进行自动识别有助于早期发现疾病迹象，实现个体化干预和治疗。此外，在术后随访期间，基于深度学习的自动分析可有效监测术后患者椎间盘健康状况，预防和及时检测潜在并发症。

尽管本研究取得相对有利的结果，但深度学习模型的临床应用仍面临一些挑战。临床实践中，椎间盘异常的图像特征个体差异大，不同扫描设备和扫描参数可能影响图像质量和特征提取。关键限制是数据集相对较小，仅包含574张图像，可能无法完全捕捉临床实践中遇到的变异范围。此外，数据集中类别不平衡可能影响模型性能。

虽然正常、膨出和突出椎间盘的条件可根据既定诊断指南明确区分，但研究者充分认识到一个椎间盘可能同时呈现突出和许莫氏结节。在当前研究中，每次仅处理单一条件。这一限制将在未来研究中解决，计划探索多标签病例，使模型能够更好地处理此类复杂场景。

结论

本研究解决了使用传统方法诊断椎间盘异常的挑战，提出了基于深度学习的分类方法进行自动诊断。本研究提出的YOLOv8-seg模型有效分类四种椎间盘状况（正常椎间盘、许莫氏结节、椎间盘膨出和椎间盘突出），从而辅助诊断过程，减轻放射科医生工作量，增强诊断一致性。模型的强大性能，特别是在特异性、阳性预测值和阴性预测值方面，强调了其改善临床决策和患者结局的潜力。

然而，研究存在某些局限性。相对较小的训练和验证样本量可能阻碍模型向更大、更多样化人群的泛化能力，一些错误分类（特别是椎间盘膨出和突出之间）仍然存在。未来研究将通过扩展数据集和探索替代模型架构和技术来克服这些限制，以在不同临床环境中进一步提高分类准确性和鲁棒性。此外，未来工作将纳入交叉验证以确保更可靠和无偏的性能评估。需要多中心验证来评估模型在不同成像协议、扫描仪类型和患者群体中的有效性。此类验证将增强研究结果的可靠性，并帮助发现与单中心数据相关的潜在偏倚。本研究专注于单条件病例，这一限制将在未来研究中解决，计划探索多标签场景并扩展分析以增强模型对更复杂、共存病理的分类能力。