《Cogent Public Health》：Intelligent anatomy of spinal tuberculosis: region-specific performance analysis of a deep learning model based on multi-center CT axial images
编辑推荐：
为应对脊柱结核智能诊断中模型泛化能力不足以及解剖区域差异影响尚不明确的问题，本研究构建了一种基于多中心CT数据的深度学习模型。研究采用回顾性多中心设计，收集2012年至2024年间来自中国西南地区4家医院的1025例脊柱结核患者CT图像。预处理阶段将医学数字成
为应对脊柱结核智能诊断中模型泛化能力不足以及解剖区域差异影响尚不明确的问题，本研究构建了一种基于多中心CT数据的深度学习模型。研究采用回顾性多中心设计，收集2012年至2024年间来自中国西南地区4家医院的1025例脊柱结核患者CT图像。预处理阶段将医学数字成像和通信（DICOM）格式转换为224×224 RGB格式，并由高年资放射科医师标注。基于ResNet50迁移学习构建二分类模型，采用Adam优化器（学习率lr=1×10-4，批次大小batch=8）训练100轮次。验证框架采用三阶段设计：中心1数据以80%训练/20%内部验证划分；中心2至4合并为外部测试集，并按颈椎/胸椎/腰椎/骶椎进行亚组分层。评价指标包括受试者工作特征曲线下面积（AUC）、准确率、精确率、召回率及F1分数，辅以梯度加权类激活映射（Grad-CAM）进行可视化解释。模型内部验证性能优异（AUC=0.90），但外部测试有所下降（AUC=0.88）。解剖学分层显示颈椎性能最弱（AUC=0.70），腰椎最为稳定（AUC=0.91），骶椎敏感性较高（召回率=0.756），胸椎假阳性率较高。本研究首次揭示了诊断性能的解剖依赖性，建议采取分层部署策略：优先部署高稳定性节段（腰椎/骶椎），低效率区域（颈椎）联合磁共振成像（MRI）验证，并建立分级数据标准以优化算法。
脊柱结核（spinal tuberculosis, TB）作为最常见的骨关节结核类型，其早期准确诊断对于预防椎体破坏和神经损伤至关重要。近年来，基于计算机断层扫描（CT）的深度学习技术在骨关节病变检测中展现出显著优势，但当前研究仍面临两大核心挑战：一是人工智能（AI）模型在多中心数据中的泛化能力缺乏系统性验证；二是不同脊柱区域（颈、胸、腰、骶椎）形态学差异对诊断性能的影响尚不明确。现有研究多集中于单中心数据集构建与测试，虽在特定医院数据中取得了一定的分割精度，但未评估跨机构应用的可行性；同时，脊柱结构的复杂性在既往研究中常被忽视，而肋椎关节的高密度影、腰椎椎体的宽大体积、骶椎的融合特征等均可能影响结核病灶特征的提取方式。尽管矢状位CT重建是评估脊柱结核畸形的标准方法，但本研究选择轴位图像以建立基础基准，因其在检测骨质侵蚀和死骨等关键骨性细节方面具有更优的分辨率，且二维方法可在推进三维整合前单独评估解剖复杂性对模型性能的影响。
为应对上述问题，研究人员开展了一项基于多中心CT数据的分层验证研究。研究纳入中国西南地区4家医疗机构自2012年至2024年间收治的脊柱结核患者，经严格筛选后最终纳入1025例。数据集来源分布为：中心1（南宁市第四人民医院）648例、中心2（广西医科大学第一附属医院）240例、中心3（广西医科大学附属武鸣医院）35例、中心4（玉林市中西医结合骨科医院）102例。该回顾性研究已获广西医科大学第一附属医院机构审查委员会及伦理委员会批准（2025-E0637号），并获其余三家机构的书面同意。图像预处理由两名影像专家进行双盲筛选去除重复图像，采用患者层面平衡采样策略，从确诊结核病灶及距病灶至少两个椎体水平的影像学正常区域提取等数量图像块，以强制模型基于病理特征而非患者特异性解剖进行判别。标注工作由未参与AI模型开发或论文撰写的执业医师完成，经两名高年资放射科医师独立标注、第三名更高年资专家仲裁分歧、独立放射科医师对15%随机子集进行盲法质量审核（κ>0.90）的多步骤协议确保标注质量与客观性。
在技术方法层面，研究人员构建了基于ImageNet预训练权重的改进型ResNet50架构。该深度残差网络（deep residual network）通过跳跃连接（skip connections）解决深层网络中的梯度消失问题，研究人员保留其50层卷积结构，将最终全连接层替换为包含全局平均池化、dropout率0.5及2单元softmax层的自定义头部，以适应脊柱结核与非结核的二分类任务。训练采用两阶段微调策略：先仅训练新头部，再微调整个网络。优化配置为Adam优化器（lr=1×10
-4，batch_size=8），设置较大权重衰减（1×10
-5）以抑制CT高动态范围导致的过拟合风险，共进行100个训练周期。推理阶段应用Grad-CAM方法，通过计算预测类别得分相对于最终卷积层激活的梯度，生成高亮图像中分类相关关键区域的热力图，以验证模型是否聚焦于脊柱结核相关关键区域。全部实验基于Python 3.11和PyTorch框架在VSCode环境中开发，训练硬件配置为16核CPU、128GB内存及16GB显存的NVIDIA RTX 4080显卡，统计分析与ROC曲线绘制采用scikit-learn库。
研究结果部分可归纳为以下四个关键发现：
模型内部验证性能：改进型ResNet50在内部验证数据集中表现优异，诊断准确率为0.884，精确率为0.888，召回率为0.888，F1分数为0.888，AUC达0.93。Grad-CAM可视化显示大多数热力图聚焦于脊柱椎体区域，模型能够准确识别脊柱结核并生成位于椎体破坏区及其周围的热力图。
外部测试集验证：合并中心2至4构建的外部测试集包含2262张脊柱图像（结核与非结核各1131张），模型测试准确率为0.799，精确率为0.811，召回率为0.780，F1分数为0.882，AUC降至0.88。该结果反映了模型在跨机构场景下的性能衰减。
解剖学亚组分层分析：按颈椎（C1-C7）、胸椎（T1-T12）、腰椎（L1-L5）及骶椎（S1-S5）分层后，各区域性能呈现显著差异。颈椎组检测准确率0.606、精确率0.590、召回率0.697、F1分数0.639，AUC仅0.70（95%置信区间：0.61-0.79），为所有节段中最低；胸椎组准确率0.784、精确率0.802、召回率0.753、F1分数0.777，AUC为0.89，存在较高假阳性率；腰椎组准确率0.849、精确率0.862、召回率0.832、F1分数0.847，AUC达0.91（95%置信区间：0.89-0.93），性能最为稳定；骶椎组准确率0.765、精确率0.787、召回率0.726、F1分数0.756，AUC为0.85（95%置信区间：0.80-0.89），敏感性突出。多数漏诊源于病灶检测与定位不准确，影响模型敏感性；同时模型存在对非脊柱因素所致病变的过度检测倾向。
误差分析：代表性图像显示，漏诊病例主要涉及椎体骨折破坏区定位偏差及脊柱管内非骨破坏区的误判；而颈椎区域的低精确率（0.590）则与复杂解剖导致假阳性增多有关。
讨论部分，研究人员从技术稳定性、临床转化价值及方法学创新三个维度进行了深入分析。首先，腰椎（AUC=0.91）与骶椎（AUC=0.85）稳定的跨中心泛化性能可能反映了该两节段固定的解剖特征与典型的病理表现。腰椎作为脊柱结核最主要发病部位（占临床脊柱结核人群的60%-70%），其椎体破坏、死骨形成等CT影像学特征的解剖一致性使其易于被深度学习模型学习诊断特征。相比之下，颈椎亚组的性能低谷（召回率=0.639 vs 精确率=0.590）源于该区域形态特征的高度变异，包括横突后部、椎旁结构及关节突关节的复杂性。失败原因可能包括：（1）颈椎结构复杂导致 lesion 边界不清，易将椎动脉孔、钩椎关节等解剖标志误认作早期骨破坏；（2）颈椎结核临床发病率低（约5%-10%）导致训练样本量不足；（3）不同中心颈椎薄层扫描参数变异（层厚0.625 mm vs 1 mm）造成图像特征分布不均。
其次，研究人员提出了"解剖特异性域偏移"（anatomically specific domain shift）概念。与既往仅关注设备型号或扫描方案差异的研究不同，本研究首次证明即使采用标准化CT设备和扫描参数，椎体解剖位置仍可引致显著的特征分布偏移。胸椎亚组的高精确率（0.802）与相对低召回率（0.777）可能源于肋椎关节区影像学伪影导致的假阳性增加，而胸椎后凸的表面重建需求可能在轴位层面产生部分容积效应，这与Zhou关于胸椎CT三维重建重要性的发现一致。这种解剖特异性域偏移使模型难以在不同解剖区域保持一致性能。
再者，骶椎亚组的优异平衡性（F1分数=0.756）具有特殊临床价值。骶椎结核因解剖位置深在、症状隐匿常致诊断延迟，AI系统的高敏感性（召回率=0.697）可有效辅助早期筛查。但颈椎亚组低精确率带来的过度治疗风险需引起警惕。研究人员 recommend 临床部署中采用分层诊断策略：独立评估腰骶段病变，而对颈胸段病变联合MRI增强扫描进行二次验证，这与世界卫生组织（WHO）脊柱结核诊断治疗指南中强调的多模态影像联合诊断原则相符。
方法学层面，本研究通过解剖学分层验证克服了传统AI验证框架的局限，较单一全局指标评价更符合临床实际需求。但亦存在以下局限：（1）颈椎亚组样本量相对较小，可能影响统计效能；（2）未纳入矢状位或冠状位重建图像，而多平面重建（MPR）对颈椎病变诊断至关重要；（3）未探索主动学习策略如何提升小样本椎体性能；（4）对二维轴位CT图像的依赖偏离了标准多平面重建实践，矢状位评估对于判断椎体塌陷和病变范围不可或缺，这可能是颈椎性能偏低（AUC=0.70）的重要促成因素。
基于上述分析，研究人员建议脊柱影像AI研究建立新的报告标准：强制披露各椎体节段独立验证结果、阐明训练集的解剖分布特征、为颈椎等低发病率区域设置最低样本量阈值（如n≥50）。同时可探索联邦学习框架下的多中心协作模式，在保护数据隐私的同时增强特定椎体的数据多样性。
研究结论部分翻译如下：本研究证实了脊柱结核AI诊断性能存在显著解剖学异质性（颈椎AUC=0.70 vs 腰椎AUC=0.91），解剖复杂性与模型泛化能力呈负相关。模型在解剖结构相对简单一致的腰骶段展现出优异且稳定的跨中心性能（AUC：腰椎0.91，骶椎0.85），而在解剖复杂、结构变异度高的颈椎段性能显著下降（AUC：0.70）。该性能差距可归因于复杂解剖背景下病灶特征提取困难、样本量有限以及"解剖特异性域偏移"的累积效应。因此，为有效推进AI在脊柱结核诊断中的临床转化，建议采取节段特异性评估与部署策略，并在解剖复杂区域辅以多模态验证以确保诊断可靠性与安全性。具体建议包括：①基层医疗机构优先部署用于腰椎和骶椎的模型（F1>0.89）；②颈椎病变须经MRI二级验证以降低误诊风险；③建立解剖平衡数据标准并开发自适应网络架构。局限性包括多模态影像整合不足及颈椎样本量不充分。未来计划构建跨模态知识图谱，并通过联邦学习优化低发病率区域的诊断性能。
