智能影像在青少年特發性脊柱側凸中的應用

[摘要]"青少年特發性脊柱側凸（adolescent"idiopathic"scoliosis，AIS）是常見的脊柱疾病，影響青少年身心發育。隨著醫學影像技術的進步，AIS預防、診斷、治療等方面取得顯著發展。本文旨在探討人工智能技術在AIS診斷與輔助治療中的應用與前景。隨著醫學影像技術的快速發展和人工智能算法的日益成熟，人工智能在醫療領域展現出巨大潛力，為AIS的早期篩查、精確診斷及個性化治療提供新思路。

[關鍵詞]"青少年特發性脊柱側凸；影像；人工智能；機器學習；深度學習

[中圖分類號]"R445.9""""""[文獻標識碼]"A""""""[DOI]"10.3969/j.issn.1673-9701.2024.36.026

脊柱側凸是一種復雜的三維脊柱畸形，通常伴隨旋轉和扭曲。青少年特發性脊柱側凸（adolescent"idiopathic"scoliosis，AIS）病理機制尚不清楚，特指發生在10歲以上青少年且肌肉骨骼系統完全成熟之前，Cobb角≥10°，并伴有矢狀面曲率改變的疾病[1]。特發性脊柱側凸是脊柱側凸的主要類型，影響2%～4%的青少年，其發生率0.47%～5.20%。特發性脊柱側凸的病理學特點復雜多樣，其病因和發病機制涉及遺傳、神經病學、激素、組織、生化分析、環境因素、生活方式、肌肉骨骼系統和生物力學等多個方面。目前，學者們提出多種神經學理論來闡釋特發性脊柱側凸的病因，包括神經發育、運動控制、身體空間方向、感覺整合和雙神經骨理論等[2]。脊柱側凸的形態學變化及生物力學的改變可能是導致AIS發生發展的關鍵因素。

1""AIS的影像學研究及進展

AIS是一種脊柱畸形，其病因尚未明確。受青春期的影響，青少年脊柱側凸發展迅速。一般而言，10～18周歲是脊柱側凸畸形接受手術治療的最佳時期。然而，一部分脊柱側凸畸形的青少年因多種因素的影響，未能及時發現并接受治療，造成嚴重后果進而影響患者身心健康。因此早期發現并實施干預和治療，有助于在脊柱側凸進展之前發現可逆情況，從而減緩或避免病情惡化。在脊柱側凸的診斷中，X射線成像、多排螺旋CT及磁共振成像等技術得到廣泛應用，智能影像在AIS診斷與輔助治療中的應用展現出良好前景，有助于醫師全面了解患者的脊柱側凸情況，為醫生提供準確的診斷依據。

2""人工智能在AIS中的應用現狀

人工智能（artificial"intelligence，AI）技術在醫學影像分析中具有廣泛的應用，從數據中建立學習模型，利用學習成果實現特定的目標和任務，可提高醫學影像的診斷效率和準確性，為醫生做出更準確的診斷和治療決策提供有力支持[3]。醫學影像數字化和AI輔助診斷的快速發展給醫療影像分析帶來巨大變革，利用深度學習技術模擬人腦自動學習數據各層次抽象特征，分析醫學影像并給出輔助診斷結論在現代臨床影像分析工作中具有重要傾向性，將是醫學輔助診斷發展的重要趨勢。

2.1""深度學習在脊柱側凸中的應用

在脊柱側凸中，深度學習是對傳統神經網絡的進階發展，其核心優勢在于可自主構建預測模型，對圖像進行精細學習和理解，提高準確性和穩定性及測量精度，減少人工測量誤差等，側凸圖像結合深度學習算法進行訓練，對圖像中的關鍵解剖結構進行精確識別和標記等方法展現出明顯優勢，為醫學影像分析等應用領域帶來機遇。

卷積神經網絡是一種適用于Cobb角測量的深度學習算法[4]。Maeda等[5]使用卷積神經網絡在AIS患者自動測量Cobb角的深度學習架構，用于脊柱分割和椎骨檢測的預處理方法，可評估不同體位姿勢下的曲線。Watanabe等[6]利用卷積神經網絡在摩爾紋圖像上對第1胸椎至第5腰椎椎體的位置進行評估，隨脊椎畸形嚴重程度的增加，平均絕對值誤差減小，表明該方法估計Cobb角的準確性較高。Wong等[7]為評估測量脊柱側凸或Cobb角的嚴重程度對AIS患者的監測和治療決策的重要性，利用級聯卷積神經網絡自動測量脊柱X射線片Cobb角的機器學習算法，結果顯示該方法具有高精度、快速測量和可解釋性，表明具有臨床可行性。Horng等[8]利用卷積神經網絡對脊柱椎體進行分割并計算Cobb角曲率，具有較高準確性。Yang等[9]使用背部圖像進行脊柱側凸篩查的深度學習算法的開發和驗證，該方法可減少患者對輻射的暴露和不必要的轉診。Wang等[10]使用多視角相關網絡架構在多視圖X射線中提供精確的Cobb角度估計，該方法為自動、準確和可靠的脊柱側凸評估提供有效的框架。

2.2""機器學習在脊柱側凸中的應用

機器學習算法從脊柱曲線整體平均意義上度量側凸程度，通過研究計算機模擬或實現人類行為以獲取新的知識技能，并不斷改善自身性能，主要包括決策樹和隨機森林、支持向量機、人工神經網絡學習方法，近年來機器學習已逐步用于脊柱畸形的檢測。為預測AIS的曲線進展，Alfraihat等[11]采用順序反向浮動選擇方法，篩選出最具預測性的特征子集，開發并驗證一個隨機森林模型，用于確定曲線進展的關鍵預后特征并預測最終的Cobb角，創建網絡用戶界面應用程序，輔助臨床醫生指導AIS治療方法的選擇與優化，也可用于對患者及家屬的宣教，以使其了解脊柱畸形特征、進展風險和治療選擇。Han等[12]在大數據集中篩查時用計算機視覺評估方法，運用機器學習標準化積分面積算法在評估中度和重度脊柱側凸中具有較高的診斷價值。為評估脊柱畸形，脊柱側凸的分析需要通過脊柱曲率評估進行全面的影像學評估，Thalengala等[13]提出用計算機圖像理解系統自動提取脊柱信息骶中線和中軸的方法，獲得較高的檢測精度。Ramirez等[14]使用支持向量機分類器分析人體背部表面地形圖像來評估特發性脊柱側凸的嚴重程度。Bertoncelli等[15]使用神經肌肉性脊柱側凸應用邏輯回歸算法的模型預測脊柱側凸發病的概率。Zhang等[16]建立可自動測量Cobb角的神經網絡系統，人工選擇Cobb角的上端椎和下端椎后自動測量，與脊柱畸形外科專家手工測量的結果進行對比，結果顯示該系統精度已能滿足輔助診斷的要求。

3""AI輔助AIS病情評估與分級

脊柱側凸的嚴重程度是脊柱外科手術干預的重要評估指標之一，評估過程受主觀因素影響較大，因此，非侵入性方法在脊柱側凸中的應用十分重要。利用AI算法對AIS患者的病情進行定量評估，包括脊柱凸曲程度的精確測量、病情進展速度的預測等。

Chen等[17]在脊柱X射線圖像上運用深度學習方法定位患者的脊柱區域，通過采用3種分類器AI手段實現脊柱側凸的有效分類。Patel等[18]利用表面地形圖建立風險分層模型預測特發性脊柱側凸進展的背部輪廓指標，結果顯示表面地形圖可較準確地評估脊柱側凸的彎曲度，這為Cobb角預測提供新的算法基礎，并為脊柱進展的評估提供數字化的良好途徑，該研究還揭示利用背部表面輪廓的三維數字度量來開發基于AI的AIS評估的潛力。

4""AI在AIS手術治療方案中的應用

隨著AI研究的深入，基于機器學習與深度學習的AI檢測方法在脊柱側凸評估中得到廣泛應用，該方法可精確判斷側凸類型、程度及結構特征，輔助醫生制定優化的手術治療方案，為患者帶來顯著益處。

數字化的可視化技術為手術醫生提供更直觀的手術解剖結構，并使外科醫生在不使用光學跟蹤導航工具的情況下，實現經皮放置螺釘時最大的安全性[19]。為全面了解胸椎椎弓根解剖以便在使用椎弓根螺釘治療AIS時提供參考，需注意椎弓根的形狀、大小和形態測量在脊柱側凸患者中差異較大。Sakti等[20]對AIS主胸頂點椎弓根進行形態計量學分析，包括椎弓根直徑、到前皮質的深度和Watanabe椎弓根分類等，研究顯示凹側和凸側的椎弓根寬度和高度存在顯著差異，且凸側具有更好的椎弓根分類。因此，術前CT評估對設計合適的椎弓根螺釘置入方案至關重要。Pasha等[21]納入后路脊柱融合術后Lenke1B型和1C型的AIS患者，利用決策樹在術前、術后計算腰椎Cobb角矯正率，結果表明決策樹可為AIS患者制定脊柱手術計劃。翟功偉等[22]研究表明，機器人輔助下的AIS手術不僅可提升椎弓根植釘的精準度，還可有效降低輻射暴露量，減少術中出血量，并縮短患者術后住院時間。Van等[23]在腰椎椎骨和椎間盤使用三維AI算法自動分割，用于計算椎骨終板之間的角度，在磁共振成像冠狀位上精確測量脊柱側凸患者的Cobb角，可潛在減少射線量。Peng等[24]整合生物力學和機器學習支持手術決策，防止脊柱側凸患者術后近端連接后彎，并預測術后風險。

5""AI在AIS預后預測中的應用與局限性

采用機器學習算法預測脊柱側凸手術后的預后和潛在并發癥，可顯著提高術后患者康復的安全性。Peng等[25]基于合成少數技術訓練的隨機森林建立AIS患者的預后模型，對預測AIS融合術后個體風險具有重要價值。Pellisé等[26]采用隨機森林生存算法預測手術后不良事件的可能性，該研究強調利用AI算法進行預后預測的關鍵臨床相關性，對術后護理和康復具有重要意義。

AI在脊柱側凸中的應用也存在一定局限性，如技術成熟度與算法的局限，數據質量參差不齊與樣本多樣性不足，AI脊柱側凸篩查和診斷系統的普及程度受設備成本和操作復雜性的限制，篩查方法的標準化、普及度和可行性是實際應用中的挑戰。

6"nbsp;小結與展望

AI在脊柱側凸領域的應用無疑為臨床帶來革命性的變化，尤其在影像學分析、病情評估、個性化治療方案設計及預后評估方面的應用表現出明顯優勢，通過持續的研究和改進，機器學習和深度學習在醫學影像分析領域已展現出巨大的發展潛力和廣闊的應用前景，在脊柱篩查和診療評估方面更精確、更高效、更大規模的應用，為患者帶來個性化的治療方案和更好的治療效果。AI在脊柱側凸的臨床實踐中發揮重要作用，旨在輔助脊柱側凸的診斷和提高治療效率。目前AI在脊柱側凸的應用主要是利用機器學習和深度學習算法輔助其診斷和治療。隨著技術的不斷發展和優化，AI將呈現更多新方法和更可靠的預測模型，并滲透到脊柱側凸相關臨床實踐的各個方面。

利益沖突：所有作者均聲明不存在利益沖突。

[參考文獻]

[1] THéROUX"J，"LE"MAY"S，"HEBERT"J"J，"et"al."Back"pain"prevalence"is"associated"with"curve-type"and"severity"in"adolescents"with"idiopathic"scoliosis："A"cross-sectional"study[J]."Spine"（Phila"Pa"1976），"2017，"42（15）："914–919.

[2] BEAULIEU"M，"TOULOTTE"C，"GATTO"L，"et"al."Postural"imbalance"in"non-treated"adolescent"idiopathic"scoliosis"at"different"periods"of"progression[J]."Eur"Spine"J，"2009，"18（1）："38–44.

[3] 甘治航，"王首占，"梁彥，"等."基于人工智能的特發性脊柱側彎檢測與診斷技術進展[J]."中國脊柱脊髓雜志，"2023，"33（7）："656–661.

[4] 楊詩曼，"王中訓，"吳文靜，"等."圖像自動標注技術研究[J/OL]."探測與控制學報."[2024-09-04]."https：//link."cnki.net/urlid/61.1316.TJ.20240724.1138.006.

[5] MAEDA"Y，"NAGURA"T，"NAKAMURA"M，"et"al."Automatic"measurement"of"the"Cobb"angle"for"adole-"scent"idiopathic"scoliosis"using"convolutional"neural"network[J]."Sci"Rep，"2023，"13（1）："14576.

[6] WATANABE"K，"AOKI"Y，"MATSUMOTO"M."An"application"of"artificial"intelligence"to"diagnostic"imag-"ing"of"spine"disease："Estimating"spinal"alignment"from"moiré"images[J]."Neurospine，"2019，"16（4）："697–702.

[7] WONG"J，"REFORMAT"M，"LOU"E."Applying"machine"learning"and"point-set"registration"tonbsp;automatically"measure"the"severity"of"spinal"curvature"on"radiographs[J]."IEEE"J"Transl"Eng"Health"Med，"2024，"12："151–161.

[8] HORNG"M"H，"KUOK"C"P，"FU"M"J，"et"al."Cobb"""angle"measurement"of"spine"from"X-ray"images"using"convolutional"neural"network[J]."Comput"Math"Methods"Med，"2019，"2019："6357171.

[9] YANG"J，"ZHANG"K，"FAN"H，"et"al."Development"and"validation"of"deep"learning"algorithms"for"scoliosis"screening"using"back"images[J]."Commun"Biol，"2019，"2："390.

[10] WANG"L，"XU"Q，"LEUNG"S，"et"al."Accurate"automated"Cobb"angles"estimation"using"multi-view"extrapolation"net[J]."Med"Image"Anal，"2019，"58："101542.

[11] ALFRAIHAT"A，"SAMDANI"A"F，"BALASUBRAMAN-"IAN"S."Predicting"curve"progression"for"adolescent"idiopathic"scoliosis"using"random"forest"model[J]."PLoS"One，"2022，"17（8）："e0273002.

[12] HAN"S，"ZHAO"H，"ZHANG"Y，"et"al."Application"of"machine"learning"standardized"integral"area"algorithm""in"measuring"the"scoliosis[J]."Scientific"reports，"2023，"13（1）："19255.

[13] THALENGALA"A，"BHAT"S"N，"ANITHA"H，"Compute-"rized"image"understanding"system"for"reliable"estimation"of"spinal"curvature"in"idiopathic"scoliosis[J]."Sci"Rep，"2021，"11（1）："7144.

[14] RAMIREZ"L，"DURDLE"N"G，"RASO"V"J，"et"al."A"support"vector"machines"classifier"to"assess"the"severity"of"idiopathic"scoliosis"from"surface"topography[J]."IEEE"Trans"Inf"Technol"Biomed，"2006，"10（1）："84–91.

[15] BERTONCELLI"C"M，"BERTONCELLI"D，"ELBAUM"L，"et"al."Validation"of"a"clinical"prediction"model"for"the"development"of"neuromuscular"scoliosis："A"multinational"study[J]."Pediatr"Neurol，"2018，"79："14–20.

[16] ZHANG"J，"LI"H，"LV"L，"et"al."Computer-aided"Cobb"measurement"based"on"automatic"detection"of"vertebral"slopes"using"deep"neural"network[J]."Int"J"Biomed"Imaging，"2017，"2017："9083916．

[17] CHEN"P，"ZHOU"Z，"YU"H，"et"al."Computerized-assisted"scoliosis"diagnosis"based"on"faster"R-CNN"and"ResNet"for"the"classification"of"spine"X-ray"images[J]."Comput"Math"Methods"Med，"2022，"2022："1–13.

[18] PATEL"M，"LIU"X"C，"YANG"K，"et"al."3D"Back"contour"metrics"in"predicting"idiopathic"scoliosis"progression："Retrospective"cohort"analysis，"case"series"report"and"proof"of"concept[J]."Children"（Basel，"Switzerland），"2024，"11（2）："159.

[19] BAUMANN"F，"BECKER"C，"FREIGANG"V，"et"al."Imaging，"post-processing"and"navigation："Surgical"appli-"cations"in"pelvic"fracture"treatment[J]."Injury，"2022，"53"Suppl"3："S16–S22.

[20] SAKTI"Y"M，"LANODIYU"Z"A，"ICHSANTYARIDHA"M，"et"al."Pedicle"morphometry"analysis"of"main"thoracic"apex"adolescent"idiopathic"scoliosis[J]."BMC"Surg，"2023，"23（1）："34.

[21] PASHA"S，"MAC-THIONG"J"M."Defining"criteria"for"optimal"lumbar"curve"correction"following"the"selective"thoracic"fusion"surgery"in"Lenke"1"adolescent"idiopathic"scoliosis："Developing"a"decision"tree[J]."Eur"J"Orthop"Surg"Traumatol，"2020，"30（3）："513–522.

[22] 翟功偉，"高延征，"高坤，"等."脊柱機器人輔助與傳統后路椎弓根螺釘內固定矯形術治療脊柱側彎的效果比較[J]."中華實用診斷與治療雜志，"2019，"33（7）："636–640.

[23] VAN"DER"GRAAF"J"W，"VAN"HOOFF"M"L，"VAN"GINNEKEN"B，"et"al."Development"and"validation"of"AI-based"automatic"measurement"of"coronal"Cobb"angles"in"degenerative"scoliosis"using"sagittal"lumbar"MRI[J]."Eur"Radiol，"2024，"34（9）："5748–5757.

[24] PENG"L，"ZHANG"G，"ZUO"H，"et"al."Surgical"des-""""ign"optimization"of"proximal"junctional"kyphosis[J]."J"Healthc"Eng，"2020，"2020："8886599.

[25] PENG"L，"LAN"L，"XIU"P，"et"al."Prediction"of"proximal"junctional"kyphosis"after"posterior"scoliosis"surgery"with"machine"learning"in"the"Lenke"5"adolescent"idiopathic"scoliosis"patient[J]."Front"Bioeng"Biotechnol，"2020，"8："559387.

[26] PELLISé"F，"SERRA-BURRIEL"M，"SMITH"J"S，"et"al."Development"and"validation"of"risk"stratification"models"for"adult"spinal"deformity"surgery[J]."J"Neurosurg"Spine，"2019，"31（4）："587–599.

（收稿日期：2024–08–16）

（修回日期：2024–12–03）