智能影像在青少年特发性脊柱侧凸中的应用

[摘要]"青少年特发性脊柱侧凸（adolescent"idiopathic"scoliosis，AIS）是常见的脊柱疾病，影响青少年身心发育。随着医学影像技术的进步，AIS预防、诊断、治疗等方面取得显著发展。本文旨在探讨人工智能技术在AIS诊断与辅助治疗中的应用与前景。随着医学影像技术的快速发展和人工智能算法的日益成熟，人工智能在医疗领域展现出巨大潜力，为AIS的早期筛查、精确诊断及个性化治疗提供新思路。

[关键词]"青少年特发性脊柱侧凸；影像；人工智能；机器学习；深度学习

[中图分类号]"R445.9""""""[文献标识码]"A""""""[DOI]"10.3969/j.issn.1673-9701.2024.36.026

脊柱侧凸是一种复杂的三维脊柱畸形，通常伴随旋转和扭曲。青少年特发性脊柱侧凸（adolescent"idiopathic"scoliosis，AIS）病理机制尚不清楚，特指发生在10岁以上青少年且肌肉骨骼系统完全成熟之前，Cobb角≥10°，并伴有矢状面曲率改变的疾病[1]。特发性脊柱侧凸是脊柱侧凸的主要类型，影响2%～4%的青少年，其发生率0.47%～5.20%。特发性脊柱侧凸的病理学特点复杂多样，其病因和发病机制涉及遗传、神经病学、激素、组织、生化分析、环境因素、生活方式、肌肉骨骼系统和生物力学等多个方面。目前，学者们提出多种神经学理论来阐释特发性脊柱侧凸的病因，包括神经发育、运动控制、身体空间方向、感觉整合和双神经骨理论等[2]。脊柱侧凸的形态学变化及生物力学的改变可能是导致AIS发生发展的关键因素。

1""AIS的影像学研究及进展

AIS是一种脊柱畸形，其病因尚未明确。受青春期的影响，青少年脊柱侧凸发展迅速。一般而言，10～18周岁是脊柱侧凸畸形接受手术治疗的最佳时期。然而，一部分脊柱侧凸畸形的青少年因多种因素的影响，未能及时发现并接受治疗，造成严重后果进而影响患者身心健康。因此早期发现并实施干预和治疗，有助于在脊柱侧凸进展之前发现可逆情况，从而减缓或避免病情恶化。在脊柱侧凸的诊断中，X射线成像、多排螺旋CT及磁共振成像等技术得到广泛应用，智能影像在AIS诊断与辅助治疗中的应用展现出良好前景，有助于医师全面了解患者的脊柱侧凸情况，为医生提供准确的诊断依据。

2""人工智能在AIS中的应用现状

人工智能（artificial"intelligence，AI）技术在医学影像分析中具有广泛的应用，从数据中建立学习模型，利用学习成果实现特定的目标和任务，可提高医学影像的诊断效率和准确性，为医生做出更准确的诊断和治疗决策提供有力支持[3]。医学影像数字化和AI辅助诊断的快速发展给医疗影像分析带来巨大变革，利用深度学习技术模拟人脑自动学习数据各层次抽象特征，分析医学影像并给出辅助诊断结论在现代临床影像分析工作中具有重要倾向性，将是医学辅助诊断发展的重要趋势。

2.1""深度学习在脊柱侧凸中的应用

在脊柱侧凸中，深度学习是对传统神经网络的进阶发展，其核心优势在于可自主构建预测模型，对图像进行精细学习和理解，提高准确性和稳定性及测量精度，减少人工测量误差等，侧凸图像结合深度学习算法进行训练，对图像中的关键解剖结构进行精确识别和标记等方法展现出明显优势，为医学影像分析等应用领域带来机遇。

卷积神经网络是一种适用于Cobb角测量的深度学习算法[4]。Maeda等[5]使用卷积神经网络在AIS患者自动测量Cobb角的深度学习架构，用于脊柱分割和椎骨检测的预处理方法，可评估不同体位姿势下的曲线。Watanabe等[6]利用卷积神经网络在摩尔纹图像上对第1胸椎至第5腰椎椎体的位置进行评估，随脊椎畸形严重程度的增加，平均绝对值误差减小，表明该方法估计Cobb角的准确性较高。Wong等[7]为评估测量脊柱侧凸或Cobb角的严重程度对AIS患者的监测和治疗决策的重要性，利用级联卷积神经网络自动测量脊柱X射线片Cobb角的机器学习算法，结果显示该方法具有高精度、快速测量和可解释性，表明具有临床可行性。Horng等[8]利用卷积神经网络对脊柱椎体进行分割并计算Cobb角曲率，具有较高准确性。Yang等[9]使用背部图像进行脊柱侧凸筛查的深度学习算法的开发和验证，该方法可减少患者对辐射的暴露和不必要的转诊。Wang等[10]使用多视角相关网络架构在多视图X射线中提供精确的Cobb角度估计，该方法为自动、准确和可靠的脊柱侧凸评估提供有效的框架。

2.2""机器学习在脊柱侧凸中的应用

机器学习算法从脊柱曲线整体平均意义上度量侧凸程度，通过研究计算机模拟或实现人类行为以获取新的知识技能，并不断改善自身性能，主要包括决策树和随机森林、支持向量机、人工神经网络学习方法，近年来机器学习已逐步用于脊柱畸形的检测。为预测AIS的曲线进展，Alfraihat等[11]采用顺序反向浮动选择方法，筛选出最具预测性的特征子集，开发并验证一个随机森林模型，用于确定曲线进展的关键预后特征并预测最终的Cobb角，创建网络用户界面应用程序，辅助临床医生指导AIS治疗方法的选择与优化，也可用于对患者及家属的宣教，以使其了解脊柱畸形特征、进展风险和治疗选择。Han等[12]在大数据集中筛查时用计算机视觉评估方法，运用机器学习标准化积分面积算法在评估中度和重度脊柱侧凸中具有较高的诊断价值。为评估脊柱畸形，脊柱侧凸的分析需要通过脊柱曲率评估进行全面的影像学评估，Thalengala等[13]提出用计算机图像理解系统自动提取脊柱信息骶中线和中轴的方法，获得较高的检测精度。Ramirez等[14]使用支持向量机分类器分析人体背部表面地形图像来评估特发性脊柱侧凸的严重程度。Bertoncelli等[15]使用神经肌肉性脊柱侧凸应用逻辑回归算法的模型预测脊柱侧凸发病的概率。Zhang等[16]建立可自动测量Cobb角的神经网络系统，人工选择Cobb角的上端椎和下端椎后自动测量，与脊柱畸形外科专家手工测量的结果进行对比，结果显示该系统精度已能满足辅助诊断的要求。

3""AI辅助AIS病情评估与分级

脊柱侧凸的严重程度是脊柱外科手术干预的重要评估指标之一，评估过程受主观因素影响较大，因此，非侵入性方法在脊柱侧凸中的应用十分重要。利用AI算法对AIS患者的病情进行定量评估，包括脊柱凸曲程度的精确测量、病情进展速度的预测等。

Chen等[17]在脊柱X射线图像上运用深度学习方法定位患者的脊柱区域，通过采用3种分类器AI手段实现脊柱侧凸的有效分类。Patel等[18]利用表面地形图建立风险分层模型预测特发性脊柱侧凸进展的背部轮廓指标，结果显示表面地形图可较准确地评估脊柱侧凸的弯曲度，这为Cobb角预测提供新的算法基础，并为脊柱进展的评估提供数字化的良好途径，该研究还揭示利用背部表面轮廓的三维数字度量来开发基于AI的AIS评估的潜力。

4""AI在AIS手术治疗方案中的应用

随着AI研究的深入，基于机器学习与深度学习的AI检测方法在脊柱侧凸评估中得到广泛应用，该方法可精确判断侧凸类型、程度及结构特征，辅助医生制定优化的手术治疗方案，为患者带来显著益处。

数字化的可视化技术为手术医生提供更直观的手术解剖结构，并使外科医生在不使用光学跟踪导航工具的情况下，实现经皮放置螺钉时最大的安全性[19]。为全面了解胸椎椎弓根解剖以便在使用椎弓根螺钉治疗AIS时提供参考，需注意椎弓根的形状、大小和形态测量在脊柱侧凸患者中差异较大。Sakti等[20]对AIS主胸顶点椎弓根进行形态计量学分析，包括椎弓根直径、到前皮质的深度和Watanabe椎弓根分类等，研究显示凹侧和凸侧的椎弓根宽度和高度存在显著差异，且凸侧具有更好的椎弓根分类。因此，术前CT评估对设计合适的椎弓根螺钉置入方案至关重要。Pasha等[21]纳入后路脊柱融合术后Lenke1B型和1C型的AIS患者，利用决策树在术前、术后计算腰椎Cobb角矫正率，结果表明决策树可为AIS患者制定脊柱手术计划。翟功伟等[22]研究表明，机器人辅助下的AIS手术不仅可提升椎弓根植钉的精准度，还可有效降低辐射暴露量，减少术中出血量，并缩短患者术后住院时间。Van等[23]在腰椎椎骨和椎间盘使用三维AI算法自动分割，用于计算椎骨终板之间的角度，在磁共振成像冠状位上精确测量脊柱侧凸患者的Cobb角，可潜在减少射线量。Peng等[24]整合生物力学和机器学习支持手术决策，防止脊柱侧凸患者术后近端连接后弯，并预测术后风险。

5""AI在AIS预后预测中的应用与局限性

采用机器学习算法预测脊柱侧凸手术后的预后和潜在并发症，可显著提高术后患者康复的安全性。Peng等[25]基于合成少数技术训练的随机森林建立AIS患者的预后模型，对预测AIS融合术后个体风险具有重要价值。Pellisé等[26]采用随机森林生存算法预测手术后不良事件的可能性，该研究强调利用AI算法进行预后预测的关键临床相关性，对术后护理和康复具有重要意义。

AI在脊柱侧凸中的应用也存在一定局限性，如技术成熟度与算法的局限，数据质量参差不齐与样本多样性不足，AI脊柱侧凸筛查和诊断系统的普及程度受设备成本和操作复杂性的限制，筛查方法的标准化、普及度和可行性是实际应用中的挑战。

6"nbsp;小结与展望

AI在脊柱侧凸领域的应用无疑为临床带来革命性的变化，尤其在影像学分析、病情评估、个性化治疗方案设计及预后评估方面的应用表现出明显优势，通过持续的研究和改进，机器学习和深度学习在医学影像分析领域已展现出巨大的发展潜力和广阔的应用前景，在脊柱筛查和诊疗评估方面更精确、更高效、更大规模的应用，为患者带来个性化的治疗方案和更好的治疗效果。AI在脊柱侧凸的临床实践中发挥重要作用，旨在辅助脊柱侧凸的诊断和提高治疗效率。目前AI在脊柱侧凸的应用主要是利用机器学习和深度学习算法辅助其诊断和治疗。随着技术的不断发展和优化，AI将呈现更多新方法和更可靠的预测模型，并渗透到脊柱侧凸相关临床实践的各个方面。

利益冲突：所有作者均声明不存在利益冲突。

[参考文献]

[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，"梁彦，"等."基于人工智能的特发性脊柱侧弯检测与诊断技术进展[J]."中国脊柱脊髓杂志，"2023，"33（7）："656–661.

[4] 杨诗曼，"王中训，"吴文静，"等."图像自动标注技术研究[J/OL]."探测与控制学报."[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] 翟功伟，"高延征，"高坤，"等."脊柱机器人辅助与传统后路椎弓根螺钉内固定矫形术治疗脊柱侧弯的效果比较[J]."中华实用诊断与治疗杂志，"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）