基于深度学习的脊柱侧弯X光片脊柱排列自动测量与植入物检测技术

《npj Digital Medicine》：Deep learning–based automatic measurement of spinal alignment and implant detection in scoliosis radiographs

　　

摘要

基于深度学习的自动化分析有望简化工作流程、提高结果可重复性，并减轻临床医生的工作负担。我们开发了一种基于卷积神经网络的人工智能系统，可用于自动测量脊柱排列情况，并从脊柱侧凸的X光片中检测脊柱植入物（椎弓根螺钉和钩子被归为同一类别）。该模型使用了来自两个国家10家机构的1671名青少年特发性脊柱侧凸患者的4585张X光片，用于模型的训练、验证以及外部测试。无论是否存在植入物，该人工智能在测量冠状面和矢状面参数时，主曲线的平均绝对误差为2.7°（相关系数为0.99），胸椎后凸的平均绝对误差为3.7°（相关系数为0.91）。在识别过渡椎骨方面，其准确率可达0.97。而在植入物检测方面，其准确率也很高，每张图像的平均绝对误差仅为0.18个植入物（相关系数为0.99）。这项在多家机构进行的全面验证表明，该模型在实现脊柱畸形的全自动化评估方面具有重要的临床和应用价值。虽然冠状面术前测量的外部验证是在四个国家的四个群体中进行的，而矢状面及术后测量的外部验证则仅在两个国家（美国和日本）进行；因此，未来仍需在更多地区对矢状面及术后测量进行更广泛的验证。