可预测腰椎间融合器沉降风险的人工智能预测模型

王 犇, 欧云生

融合器沉降与术后的疼痛缓解不佳密切相关。术后过度的融合器沉降可能使本已松解的神经根再次受压，加重患者的疼痛症状[1]。生物力学研究[2]表明，融合器沉降与下位椎体中心骨密度，融合器前凸角，材质相关。即融合器沉降的风险是由多个因素所决定的，如何综合多个因素从而准确预测患者术后沉降风险是急需解决的问题。人工智能技术的出现给解决此问题带来了一个转机，人工智能算法的优点主要体现在，与传统方法相比，人工智能技术能够察觉到人类无法察觉的数据细节特征，并通过分析变量之间的隐含关系实现更为高效的诊断能力。该研究将使用人工智能算法对患者术后发生椎间融合器沉降的风险进行预测， 以期提供更精确的术后风险评估。

1 材料与方法

1.1 病例资料收集2014年10月10日～2017年12月29日入住重庆医科大学附属第一医院骨科脊柱外科59例患者(68个相关节段)的临床及影像学资料(如图1所示)。纳入和排除标准：① 随访时间在1年以上的行经椎间孔入路腰椎间融合术的患者；② 影像学资料完整；③ 排除肿瘤、感染的患者；④ 排除多节段融合患者(3个及以上节段)。

1.2 影像学测量方法使用Carestream影像学测量软件的距离测量工具与cobb角测量工具分别测量随访影像学资料的距离与角度。节段前凸角定义为手术节段椎间隙下位终板与上位椎体上终板所成夹角。椎间隙高度被定义为手术节段前、中、后椎间隙高度的平均值，最后一次随访时椎间隙高度与术后7 d椎间隙高度相差>2 mm即视为融合器沉降。见图1。

图1 发生椎间融合器沉降患者的随访影像学资料

1.3 Logistic模型/支持向量机模型首先使用SPSS 21.0软件对本研究选取的可疑cage沉降相关因素进行单变量分析，筛选P<0.05的变量纳入Logistic回归模型和支持向量机模型。

支持向量机模型的构建:支持向量机英文名为support vector machine(SVM)，属于机械学习的内容，其原理为将变量通过内核算法投射到极高维空间，通过构建高维空间中的决策超平面，对事物特征进行分类，其与传统的Logistic回归模型相比，通过构建非线性的内核能够更高效地解决多变量情境下的线性不可分问题。在本研究中，使用多项式核函数以及高斯核函数分别构建了多项式支持向量机模型以及基于高斯核的支持向量机。高斯核(radial basis function，RBF)是首选的SVM核函数，其可展开为无穷维度的多项式函数，其参数较小，无论大样本还是小样本都有比较好的性能。但特定情况下多项式核函数可能表现出更优的性能，因此本研究同时采用了两个核函数，其原理如图2所示，左图为线性决策平面，通过划分一条线段将红色样本点与黑色样本点进行分类，Logistic回归模型建立的分类方法就是这种线性的决策边界。而支持向量机可以使用非线性核心对样本进行非线性分割，如图2右侧图例所示，非线性的决策线相比线性决策线更适合于复杂的分类环境以及能够实现更好的分类效果。

图2 线性与非线性分类决策边界

1.4 统计学处理连续性变量使用T检验，检验沉降组与非沉降组相比差异有无统计学意义，若方差不均，则采用Wilcoxon-Mann-Whitney检验。结果以均值±标准误表示，二分类变量使用卡方检验，检验水平α=0.05。

2 结果

2.1 基本信息研究流程如图3所示。 结果表明，与非沉降组相比，沉降组的手术融合节段数目，术前/术后椎间隙高度，术后L4节段前凸角以及术后PT、SS变量方面差异有统计学意义。见表1。

表1 单变量分析结果

图3 研究设计

2.2 SVM模型与Logistic回归模型效能对比使用十倍交叉验证法，以此6个变量所构建的Logistic回归模型及SVM模型的诊断效能指标如表2所示。RBF的SVM模型表现出了较高的预测准确性，综合性能优于polynomial SVM模型以及Logistic回归模型。

3 讨论

人工智能技术在近10年内得到了突破性的进展，数个将人工智能算法与临床实践结合的研究提示人工智能技术能够显著改善目前诊断方法的不足，在多个方面表现出了优异的诊断效能。 如《Nature》一项研究表明使用人工智能技术能够准确预测糖尿病患者的慢性肾脏病的早期风险，其研究成果将有助于对糖尿病相关并发症进行早期干预[3-4]。

Hannun et al[5]研究结果也表明，基于心电图数据的然而，目前国内医学领域对此方面的关注不足，与国外先进水平有一定的差距。

深度神经网络能够有效地对心电图数据进行分析分类，其F1评分(0.837)(敏感度和特异度的调和平均数)超过了心脏病专家的平均值(0.780)。

表2 Logistic回归模型与SVM模型的各项参数比较

国内外融合器沉降相关研究已经报道了多个沉降相关风险因素，但骨盆参数与融合器沉降风险间的相关性尚未见报道。本研究表明，与非沉降患者相比，沉降患者的PT相对较高，SS相对较低，但骨盆参数是否沉降的独立因素还需进一步的深入研究。本研究的主要优势体现在对于融合器沉降风险的综合评估方法尚属国内外首次报道，综合了既往研究中对于椎间融合器沉降相关风险因素的报道对其进行了人工智能建模[6]。

本研究的局限性表现在：① 由于患者的随访习惯较差加上早年影像学资料的丢失，尽管筛选了近5年的临床资料，然而初筛的200例患者中仅仅有68例患者进行了1年以上的随访，相对较小的样本量其代表性可能不足，未来需有目的收集数据并建立数据库，进一步扩大研究的样本量；② 人工智能模型并不具备人类的逻辑思维能力，其预测结果只能作为临床医生的参考，具有逻辑思维能力的人工智能模型属于计算机研究方面最前沿的领域，目前人工智能模型还需要人类的共同合作下才能发挥最大的效用；③ 本研究为回顾性研究，未来将于前瞻性数据集对构建的模型进行验证。