作者：空军军医大学西京医院骨科       谢坤杰

儿童脊柱侧弯是一种常见的三维脊柱畸形，根据病因可分为先天性、综合性和特发性，其中青少年特发性脊柱侧弯（AIS）最为常见，多在10~16岁发病，发病率为1%~3%。Cobb角>10°为诊断的金标准。脊柱侧弯发病隐匿，早期不易被发现，若未及时治疗可能会导致患者姿态改变、后背痛甚至心肺功能受损，不仅严重影响患者身心健康，降低生活质量，对家庭和社会也造成一定的经济负担，早筛查、早诊断和早干预可有效阻止侧弯进展。近年来，人工智能（AI）在图像识别任务上取得了显著进展，其通过数据收集、特征提取和模型构建等步骤处理医学图像，可帮助医生进行脊柱疾病的筛查、诊断、分类和病情进展预测等。本文重点从诊断方法、优缺点等方面总结了AI在脊柱侧弯诊断中的研究进展。

基于X线片的智能诊断

X线片是诊断脊柱侧弯的首选影像学检查方式，可对脊柱畸形进行测量和评估。传统诊断方法主要由医生手工测量完成，依赖个人经验，端椎定位不同、端线绘制误差等因素也会导致Cobb角的测量存在一定差异。AI可自动学习X线片的图像特征，进一步识别椎体形态的特点，降低诊断主观性。现有AI诊断脊柱侧弯的方法根据其任务类型可分为三大类，即监督学习型、无监督学习型、半监督学习型。

监督学习型      通过人工标注训练集的图像，并利用标签对模型进行训练和优化，优化后的模型找到输入数据和输出结果之间的特定关系后，可直接对输入的图像进行诊断。目前此任务类型下的研究多利用卷积神经网络（CNN）构建深度学习（DL）模型来诊断AIS。Sun等基于CNN分割椎体和定位椎体角，模型输出的Cobb角与人工测量结果对比，一致性（ICC）为0.994，平均绝对误差（MAD）为2.2°，该模型可同时识别同一脊柱侧弯病例中的多个弯曲，但对L5及旋转严重的椎体识别困难。Liu等基于DeeplabV3+自动分割脊柱和椎体，通过最小距离点法确定椎体角并测量Cobb角，与U-Net、残差U-Net和膨胀U-Net等主流神经网络相比，骰子相似系数（DSC）、准确度、灵敏度和Jaccard指数方面表现最佳，但该模型对变异或边缘模糊的椎体分割性能不佳。Wu等开发了一个多阶段集成网络系统（MSE-Net），利用关键点检测技术识别椎体角并自动测量Cobb角，平均诊断时间为1.7s，MAD为1.07°，准确性明显高于其他研究。Meng等开发了一个名为SpineHRNet+的混合模型，通过热图定位端椎和椎体角，进而自动测量Cobb角，在337例患者前瞻性研究中，冠状面和矢状面的Cobb角的MAD分别为3.18°和6.32°，该研究使用了不同严重程度、曲线类型和X线片质量（屏幕截图、手机拍照等）的病例，提升了算法的实用性，但该模型仅在两个中心测试，应用于其他中心时需微调模型。Wong等使用两个CNN算法分别用于分割脊柱和椎体，分割的结果用于自动测量Cobb角，在200个测试集图像中进行初步评估算法性能，与人工测量相比，一致性较好，ICC=0.92，MAD为2.8°，但当图像中存在椎体变异如楔形变时，测量误差较大。

无监督学习型      不依赖人工标注，模型自动分析和学习输入图像潜在的模式和隐藏的数据结构，直接输出诊断结果。Al-Bashir等基于边缘检测等算法提取关键点，利用这些点拟合一个五阶多项式，再通过曲线的拐点来确定上、下端椎，在28例患者的X线测试中，Cobb角的MAD为6.6°，简化了用户操作和干预，缩短了诊断时间，但需对脊柱感兴趣区域进行手动分割，主观影响因素大，误差也超出了5°的可接受范围。

半监督学习型      只对小部分数据进行人工标注，模型从标注中学习输入-输出关系，从未标记的数据中学习语义和颗粒度特征来增强和优化模型。Lee等开发了一个以生成性对抗网络（GAN）为基础的半监督DL模型，上游任务学习脊柱侧弯的表现，下游任务进行正常和脊柱侧弯图像的区分，模型诊断的阴性预测值、敏感性和特异性分别为0.950、0.985和0.285，该模型可在胸片筛查中早期诊断脊柱侧弯，但特异性比较低，需要进一步扩充训练集并优化算法来提高特异性。以上研究利用不同算法开发了用于诊断脊柱侧弯的AI模型，具有一定的可靠性和有效性，但X线片只能提供二维信息，如遇到椎体旋转、肋骨和固定物遮挡等情况，AI识别和诊断的准确性都会受到明显影响。

基于表面形貌的智能诊断

脊柱侧弯常以脊柱的横向偏移和正常矢状面曲度的丧失为主要特征，并伴脊柱和胸腔的旋转，导致外部躯干变形如双肩不等高、背部不对称等。传统上常采用外观检查、Adams试验和侧弯计测量等方法筛查脊柱侧弯，虽简单易行，但受筛查人员主观影响，耗时费力，阳性预测值较低。表面形貌（ST）是一种无创性评估背部畸形的方法，可通过多种技术进行，如摩尔纹、光栅立体成像、三维扫描仪等，在脊柱侧弯的筛查和早期诊断上被逐渐接受。然而，这些技术的局限性在于患者的相关参数定位复杂、解剖标志不明显，增加了测量难度。因此，为了更快速和准确地评估背部畸形程度，有学者利用AI结合ST对脊柱侧弯进行定性或定量的诊断。

Yang等首次开发了基于裸背图像筛查AIS的DL模型，首先用Faster-CNN自动定位感兴趣区域（从头部到臀部），然后将处理后的图像输入到深度残差网络（Res-Net），通过二分类和多分类模块自动提取目标区域图像特征，该算法在脊柱侧弯检测、曲线≥20°病例检测以及严重程度分级方面均优于专家，但该模型只采用AIS人群图像，缺乏健康对照。Meng等开发了一套基于光感的X线片-可对比图像（RCI）合成系统，然后利用DL将包含红绿蓝-深度（RGBD）信息的裸背图像合成为RCI，自动预测Cobb角大小，并进一步实现AIS严重程度和曲线类型的分类。该模型在302例患者图像中进行前瞻性验证，AIS严重程度和曲线类型分类的灵敏度分别为0.909、0.974，估计的Cobb角与真实值（GT）显著相关（R2=0.984,P<0.001），该研究首次开发了由DL模型驱动的非辐射医疗设备，可实现准确的Cobb角预测，但非常依赖解剖标志的准确识别和RCI合成质量。Minotti等创建了一套基于CNN的DL模型，可从光栅立体扫描获取的ST图像中自动预测Cobb角大小，并给出脊柱侧弯的严重程度分类结果，然而同GT相比，Cobb角的MAD为6.1°，严重程度分类的准确率也仅为59%，该模型系首次将光栅立体成像与AI结合用于脊柱侧弯的筛查，但准确性仍低于临床专家。以上研究本质上是基于ST对脊柱曲线形状和椎体形态进行预测，进而估算脊柱曲率，而不是根据终板表面特征测量Cobb角，意味着其无法替代X线进行常规检查。另外，AI对轻度病例识别的灵敏度较低，很难捕捉到背部细微的变化，也容易造成误判。

基于三维超声成像的智能诊断

三维脊柱超声成像将传统二维超声和位置传感器相结合，能展示脊柱部分三维解剖结构，如椎板、横突和棘突等，可作为便捷、实时、无创的脊柱侧弯筛查和诊断工具。AI可与三维超声成像相结合，自动识别脊柱骨性结构。Wong等基于CNN在3D超声成像上识别椎体，自动对预测椎体进行配对，然后人工调整，自动测量的Cobb角MAD为3.6°，但作为一种半自动的算法，其在腰椎节段识别性能较差。Ungi等基于CNN通过超声分割椎体并进行脊柱的三维重建，使用横突作为终板测量Cobb角，MAD为2.2°，该方法高效准确，但样本量过小。Jiang等等提出了一个超声-X线生成注意网络（UXGAN），能将脊柱超声的图像合成为类似X线片的图像，该算法采用循环一致性网络和端到端训练方式，并添加了注意力模块，与真实X线片图像的Cobb角测量值相比具有显著相关性（r=0.95）。Zhou等基于两重阈值策略从超声体积投影成像中提取骨特征，分割脊柱以检测棘突，拟合可代表脊柱轮廓的曲线，进而自动测量Cobb角，可靠性优于人工。以上研究表明，AI应用于超声诊断脊柱侧弯具有一定可行性，但通过椎板中心、棘突和横突测量Cobb角比X线偏小，在评估患者病情时需要注意避免临界病例被误判，从而延误治疗时机。另外，软组织噪声、扫描参数和探头角度会影响成像质量，导致人工标注超声图像比较困难，从而影像AI诊断性能。

基于MRI成像的智能诊断

MRI成像作为一种无创性检查，可直观全貌地测量椎体形态学指标，在脊柱侧弯的临床诊疗方面具有较高应用价值。AI可准确分割和定位椎体，为自动诊断脊柱侧弯开创了条件。Masad等利用机器学习（ML）分割脊柱，将提取的特征送入C4.5决策树分类器，并对原始分割结果进行多种形态图像处理，然后计算腰椎前凸曲率角，在正常和病理T2-MR脊柱图像上进行了测试，腰椎前凸角与Cobb角显著相关（r=0.93），但这种算法计算量过大，处理时间也较长。MRI具有检查价格昂贵、耗时费力、年幼儿童需要镇静处理的缺点，使其并不能成为诊断脊柱侧弯的常规选择，这也是目前相关AI诊断研究很少的主要原因。

基于CT成像的智能诊断

三维CT重建技术能清晰显示脊柱整体结构和病变情况，在诊断先天性脊柱侧弯上有着独特优势。Huo等基于脊柱曲率特征和几何约束构建椎体终板平面，以此测量三维Cobb角，并对整个系统进行定量评估，在不同分辨率模型中的标准差（SE）<3°，优于传统的手工和数字测量方法，但是该方法需要半自动定位测量平面和手动选择终板，比较依赖操作者经验。Alukaev等利用U-Nets定位和分割椎体，自动测量Cobb角，使用15张外部数据集图像对模型进行验证，与手动测量相比一致性较好（R2=0.984），MAD为3.42°，但数据集较少，模型存在过拟合的风险。AI应用于CT诊断脊柱侧弯可提高诊断效率，但其易受椎体骨折、金属置入物等影响，而出现分割混乱和错误的情况。

综上所述，AI在儿童脊柱侧弯的诊断上准确性与临床医生相当，在侧弯分类方面甚至高于后者，展现出AI的巨大优势，其与医学影像相结合有望改善传统诊断方法的弊端，提高脊柱侧弯筛查和诊断效率、降低误诊率。然而，目前AI诊断脊柱侧弯仍存在一定局限性。一方面，目前大多数研究都是单中心、回顾性研究，数据集数量少，病例均匀单一，容易出现模型过拟合的情况，从结果来看，AI的诊断性能似乎非常优秀，但未进行前瞻性的验证，其可靠性和有效性势必会受到质疑。另一方面，AI内部结构是一种“黑盒”，一旦算法出现错误，则很难找到解决方案，而AI输出的结果基于图像本身的特征，缺乏可解释性，一定程度上会影响医生和患者对AI的接受和信任程度。未来应采用多中心、多种族、高质量和标准化的大量数据去训练模型，并进行前瞻性的验证，不断提升模型的通用性，使之更适合临床实践，同时不断优化算法结构，增加透明度，并进一步量化其决策过程。

目前AI在儿童脊柱侧弯上的应用多集中于AIS的诊断，对脊柱侧弯的多层面评估、分型、治疗和预后等却鲜有研究，因此AI距离真正应用于临床实践仍存在一段距离。另外，脊柱侧弯的诊疗相对复杂，除了必要的影像学检查以外，医生还需要结合患者病史、查体等资料才能进一步诊断并制定个性化治疗方案。未来AI的发展方向应以影像学诊断为基础，结合家族史、症状、查体和侧弯进展因素等方面，建立综合性AI诊疗模型，以期实现脊柱侧弯的综合评估和治疗方案的科学规划。

AI应用于儿童脊柱侧弯的诊断，可简化诊断流程，减少医生工作量，缓解医疗压力，但并不意味着AI可以完全替代医生进行临床工作，反而更可能作为一种工具辅助医生进行决策，并发现医生容易忽略的问题。相信不久的未来，AI可通过数据规范、克服技术局限，最终走向临床实践，为患者提供更精准、个性化的医疗服务。

来源：中国矫形外科杂志2025年3月第33卷第5期

(本网站所有内容，凡注明来源为“医脉通”，版权均归医脉通所有，未经授权，任何媒体、网站或个人不得转载，否则将追究法律责任，授权转载时须注明“来源：医脉通”。本网注明来源为其他媒体的内容为转载，转载仅作观点分享，版权归原作者所有，如有侵犯版权，请及时联系我们。)