人工智能在脊柱手术治疗中的应用研究进展

人工智能在脊柱手术治疗中的应用研究进展【摘要】手术治疗是部分严重脊柱疾病的唯一治疗方法，然而脊柱生理解剖结构复杂，周围毗邻血管、神经、肌肉等组织，手术操作难度大、风险高。随着计算机处理能力的飞速发展与医工交叉的逐步深入，人工智能在脊柱外科手术中展现出巨大潜力。术前人工智能可通过分析多维度的临床资料，缩减人工判读时间并精确决定是否适合手术并给出最优术式；术中人工智能与机器人、增强现实导航以及3D打印等技术相结合能辅助医生进行精准操作，在提升手术成功率的同时可有效减少术中辐射暴露、降低术后并发症发生率。在手术预后方面，人工智能通过多模态数据融合构建的高效预测模型可准确评估术后各种并发症的发生风险，指导早期个性化干预策略的制定。但人工智能目前仍面临数据质量不均衡、模型泛化能力及可解释性不足等挑战，未来通过构建多中心大型数据库、完善临床验证体系等多种方法，人工智能技术有望构建更智能、精准、高效的脊柱手术治疗新范式。【关键词】人工智能；机器学习；深度学习；脊柱；外科手术人工智能（artificialintelligence，AI）是通过模拟、延伸和扩展人类思维，使机器具备智能行为和决策能力的新兴技术科学。机器学习作为AI的核心内容，可以学习大型且复杂的数据，输出相应的预测结果，并通过训练提高模型预测的准确性与可靠性。深度学习作为机器学习的重要分支，可提取并重组多种低层次信息，生成更高层次的抽象信息用于数据和属性的分类［1］。随着医工交叉融合的不断深入，AI在医学领域的应用日益广泛，尤其在图像识别、数据处理等方面表现出优异的性能［2］。随着人类生活习惯的改变和人口老龄化，脊柱退行性病变、脊柱骨折、脊柱肿瘤等相关疾患日益增多，手术治疗是部分严重脊柱疾病的唯一治疗方法。然而，脊柱生理解剖结构复杂，周围毗邻血管、神经、肌肉等组织，在术中操作难度大、风险高，并发症发生率高，甚至可导致二便失禁、肢体瘫痪等严重的神经损伤并发症。近年来以机器学习为主的AI技术逐渐应用于脊柱外科领域，并展现出巨大潜力与临床应用价值。本文将从术前决策支持、术中辅助操作、手术预后评估三方面阐述AI在脊柱手术中的研究现状，同时分析AI技术在脊柱手术中的应用趋势、潜在优势与不足，为AI在脊柱外科的应用提供新思路。一、文献检索策略及结果以（“人工智能”OR“机器学习”OR“深度学习”OR“神经网络”）AND（“脊柱”OR“脊柱外科”OR“脊柱手术”OR“手术治疗”）为检索式在中国知网、万方数据知识服务平台、维普期刊资源整合服务平台及中华医学期刊全文数据库进行中文文献检索。以（“artificialintelligence”OR“machinelearn⁃ing”OR“deeplearning”OR“neuralnetwork”）AND（“spine”OR“spinesurgery”OR“spinalsurgery”）为检索式在PubMed、Em⁃base及WebofScience进行英文文献检索。检索时间为2021年1月1日至2026年2月11日。文献纳入标准：（1）研究内容涉及AI在脊柱手术治疗中的应用；（2）研究类型包括临床研究、方法学研究、系统综述、meta分析或具有明确评价指标的验证研究；（3）中文或英文文献。排除标准：（1）重复发表的文献；（2）与脊柱手术治疗关联度低或仅为算法介绍、缺乏具体应用场景与结果指标的文献；（3）会议摘要、无法获取全文或关键信息不全的文献。初步检索共获得相关文献956篇。通过文献管理软件去重后剩余683篇。阅读标题与摘要后排除明显不相关的文献379篇，获得可能符合标准的文献304篇。进一步精读全文，依据纳入与排除标准排除数据不全、研究对象或应用场景不符以及证据质量不足的文献252篇，最终纳入符合标准的文献52篇，其中英文文献46篇、中文文献6篇。二、AI辅助术前决策在脊柱疾病的手术治疗过程中，合理的术前决策是决定手术能否成功、预后是否良好的关键。术前决策主要依据患者的影像学检查、实验室检查、全身状况及主要临床表现，决策过程多依赖医生的临床经验，且患者之间的个体差异较大，人工分析难以全面地整合多维度的临床数据，造成预估偏差及医疗资源浪费［3］。此外，临床信息逐渐增加、影像学多模态化使单纯依靠人工判读难以在有限的时间内作出稳定可靠的术前评估。因此，临床需要一种更加客观化、量化、个体化的临床决策模式以改变现状。（一）AI辅助手术决策基于随机森林等多种机器学习模型可整合影像学特征、临床表现及人口学变量等综合信息，构建预测算法以辅助是否手术的决策［4-5］。与传统的经验判断相比，这类模型更擅长处理变量间复杂的非线性关系，在提高决策一致性的同时帮助医生了解哪些因素影响手术决策。De等［5］基于患者症状体征、既往治疗史及影像学表现建立了随机森林模型，对腰椎管狭窄手术决策的预测表现良好，为手术适应证的判断提供了客观依据。此外有研究基于分类回归树建立的胸腰段爆裂骨折手术推荐模型准确率达82.4%，其中评估后方韧带复合体损伤的置信度高于57.5%时采用手术治疗的概率高达97%，该模型不仅能够给出“是否手术”的结论，还能帮助识别影响决策的关键结构损伤特征，提高术前评估的标准化水平［6］。随着对计算机技术的不断开发，更多研究者尝试将AI应用于术式选择。例如，多节段脊柱病变患者常存在影像学表现与症状不完全一致的情况，医生在判断手术范围时难度较大；而以术前影像资料为基础、结合机器学习或多模态大语言模型可对脊柱病变的关键解剖与分型信息进行分析，能够在一定程度上识别责任减压节段，进而辅助判断手术范围。不过，目前模型一致性和稳定性仍存在不足，现阶段AI更适合作为医生进行决策的辅助工具，不能完全替代临床经验判断［7-8］。（二）AI辅助术前规划大部分的AI算法通过标注大量影像学数据，构建了包括术前CT或MRI等高质量的脊柱手术图像数据库［9］，利用影像学数据集训练卷积神经网络模型或结构更为复杂的深度学习框架［10］。这些模型通过提取、学习影像资料中的主要特征（如椎体高度丢失、椎体信号改变等），能够识别关键的异常解剖结构，并设计出合适尺寸的螺钉与最优手术路径，减少由置钉不准确导致的脊髓、神经损伤等严重并发症［11］。磁共振神经成像技术（magneticresonanceneurography，MRN）的出现增强了对神经组织的可视化，可提供详细的神经解剖和病理信息，与MRI影像相比可以更清楚地显示神经根、脊髓和周围神经的细节。目前MRN现主要应用于脊柱骨折、腰椎间盘突出、椎管狭窄和神经根炎等疾病的诊断和评估［12］。MRN与三维深度学习模型有效融合后可通过自动分割技术同时识别骨性结构以及椎间盘、神经、硬膜囊等非骨性组织，并构建三维模型评估设计的手术通路与周围解剖的空间位置关系。有研究利用3DU⁃Net模型，对经皮内镜腰椎间盘切除术的穿刺路径进行模拟与量化分析，结果显示自动分割在骨性结构及软组织识别方面具有高度一致性，在此基础上通过设定不同角度的虚拟工作通道，计算其与神经、关节突及硬膜囊等结构的交叠体积，能够帮助医生更好地规避神经根损伤、脑脊液漏等术中并发症，为个体化术前决策提供可靠依据［13-14］。在模型优化方面，可采用交叉验证和测试集进行模型评估，并通过调整网络结构、增加训练数据量及数据增强技术等对模型进一步改进，以提升模型的准确率、鲁棒性和泛化能力，训练好的模型可以直接集成到手术导航系统中，辅助医生在术中穿刺或置钉［15］。此外，虚拟现实使AI系统在脊柱术前规划中的应用变得更加多元化。利用可视化工具和沉浸式的互动视角，可以增强医生对脊柱解剖结构及空间感的认知，直观地了解AI模型推荐的手术方式，并结合医生自身手术经验进行调整和优化。虚拟现实还可通过还原手术场景，为年轻医生创造一个高仿真的术前模拟环境，通过术前练习可提升实际手术操作的熟练度和安全性［16］。虽然目前已有多种AI算法应用于脊柱外科术前决策，但仍处于早期研究阶段。首先，个体化临床决策通常需要整合多方面的数据，包括患者的影像学检查、实验室检查、病史等，而这些数据往往分布于不同的医学中心，难以实现完全收集。其次，现有的影像学资料质量参差不齐、训练样本量较少，同时缺乏外部验证，严重影响AI模型的性能。最后，个性化治疗不能仅依赖模式识别，还需要了解其内在原理，一个治疗方案可能在模型中显示出较好的结果，但由于模型的“黑箱”特性而难以提供明确的医学解释，无法判断该方案能否适用于特定个体。随着多模态融合技术的进步、数据量的积累以及计算能力的提升，未来AI有望在脊柱疾病的个性化决策中起到更大作用。三、AI辅助术中干预传统手术主要依靠术者经验及二维影像引导，在复杂解剖结构或微创空间中的操作精度与可重复性存在明显局限。AI能够将术前规划结果应用于实时手术场景，以“辅助精准执行”的角色介入术中流程。当前AI在脊柱手术中的应用主要包括增强现实技术、机器人和3D打印技术三大领域，在脊柱矫形、肿瘤切除及椎弓根钉内固定等关键手术步骤中发挥作用，能够减少术中经验依赖、提高操作效率并增加手术安全性。（一）AI结合增强现实手术导航增强现实手术导航是一种基于计算机的新型手术导航技术，主要应用于椎弓根螺钉置入导航、经皮微创操作引导、严重脊柱畸形截骨矫形以及脊柱肿瘤精准切除等手术操作中。与虚拟现实系统不同，增强现实手术导航为医生提供了三维可视化工具和半沉浸式的互动视角，可将术前脊柱的3D图像和附加信息投影到手术区域，以辅助神经导航和手术操作，提升术中解剖结构的可视化水平与术者的操作精度，并在一定程度上减少辐射暴露及手术时间［17］。早期研究者标本上和脊柱3D模型上利用AI赋能的增强现实平台提供的虚拟螺钉位置和路径进行实时引导，但这些研究忽略了真实手术情况下患者呼吸及位置变化等因素对操作的影响［18］。近年来AI算法与增强现实技术融合，增强现实手术导航不再局限于简单的影像叠加，逐步扩展出自动配准、目标识别、轨迹更新和步骤化导航等功能。深度学习模型可自动识别椎体、椎弓根及器械位置，并结合术前规划结果在术中持续修正显示内容，从而提高导航与真实解剖的一致性，在经皮椎体后凸成形术（percutaneouskyphoplasty，PKP）、经皮椎体成形术（percutaneousvertebroplasty，PVP）、脊柱肿瘤切除术中展现出一定优势［19-20］。Nguyen等［21］将机器视觉与增强现实结合，构建置钉“安全区”可视化路径，引导术者在真实术野中完成更直观的轨迹判断，不仅提升了术中空间识别能力，也为脊柱微创置钉的精准化和可视化提供了新的技术路径。此外，有研究尝试将该技术应用于其他手术步骤，如基于深度学习的识别算法可自动定位椎弓根螺钉头位置，计算最优棒形参数，通过增强现实系统进行分步式可视化引导辅助脊柱融合术中连接棒的个体化弯曲与匹配，减少链接杆重复弯曲次数并提高手术效率［22］。目前融合AI的增强现实手术导航技术仍存在一些亟待解决的问题。首先，模型性能高度依赖训练数据质量，当术中出现出血、器械遮挡、组织牵拉或体位变化时，可能导致识别和配准精度下降；其次不同设备、光照条件及患者解剖差异会带来明显的域偏移问题，影响模型稳定性；最后，现有研究多为实验室或小样本的临床验证，尚缺乏大规模、多中心的真实世界证据，使模型在不同条件和环境中的应用能力不足。今后需在实时反馈、人机交互及多技术融合方面持续优化，并开设外部验证以提升模型对动态场景和复杂干扰的鲁棒性，推动增强现实技术在脊柱精准外科中的广泛应用。（二）AI驱动机器人技术当前脊柱手术机器人可分为三种类型：“监督控制”机器人，由外科医生完成术前规划后独立运行，外科医生仅负责监督；“远程外科”机器人，由外科医生进行远程实时控制；“共享控制”机器人，由外科医生和机器人同时实时控制。当前临床应用的脊柱手术机器人大多属于“共享控制”类型［23］，以人机交互的方式推动脊柱手术的精准化发展。随着计算机和AI技术的逐渐成熟，研究者在传统外科机械臂的基础上融合了AI算法，对术中实时变化的数据进行智能获取和分析，从而实现智能手术规划及术中决策。有研究通过对比融合AI算法的Mazor机器人辅助与常规透视技术引导经皮胸腰椎椎弓根螺钉固定术，发现机器人辅助螺钉放置准确率为96.6%，高于常规组的89.4%，融合AI算法的机器人辅助手术可减少术中辐射量并实现放置尺寸更大的螺钉以增加稳定性；在术后1年的随访中机器人组的螺钉松动率为5.9%，低于常规组的16.7%，改善了患者预后并降低了翻修率。但该研究指出，机器人的应用明显提高了住院费用，这使得机器人在临床中的推广受到一定程度的阻力［24］。Xiao等［25］利用AI驱动的TiRobot系统治疗单节段胸腰椎骨折，通过术前3D影像规划螺钉置入路径，术中可实时跟踪患者的微弱移动从而实现精准引导置钉，相较于传统“C”型臂引导手动置钉，术中透视次数、辐射时间以及术后螺钉相关并发症发生率均减少，术后患者早期疼痛改善、住院时间缩短。随着三维可视化技术、导航技术及识别感知技术的快速发展，AI驱动的机器人技术也逐步应用于操作难度较大的颈椎节段手术。Niu等［26］首次使用新型机器人辅助经皮拉力螺钉固定术治疗寰椎侧块骨折，术前将患者影像资料上传到AI系统中自动规划最佳置钉路径；术中借助机械臂稳定执行并进行实时调整，无论采用后入路还是经口入路，所有患者均未发生螺钉错位、神经功能缺损或椎动脉损伤等术中并发症；且术后骨折复位和骨愈合效果良好，避免了保守治疗可能导致的晚期畸形以及开放手术的较大创伤。在颈椎后路减压等更为复杂的手术中，AI驱动机器人可搭建综合了力学信号、振动信号及声学信息的多感官整合框架，并通过特征提取与机器学习算法建立分类模型，对不同磨削状态进行识别。多模态融合模型较单一信号模型（如单纯力反馈或声音信号）具有更高的识别准确率与稳定性，能够更准确地区分皮质骨、松质骨及重要邻近结构的状态［27］。此外，术中神经电生理监测和肌肉电生理信号的多模态融合使机器人能够通过信号特征提取并构建分类模型，实现对神经刺激状态的自动识别预警以及实时反馈，能够在椎体复位、骨水泥置入及螺钉植入过程中动态识别潜在神经损伤，提升围手术期安全性［28-29］。机器人在脊柱手术中的应用已由单纯的定位辅助逐步向“精准化、智能化、安全化”发展。但目前AI驱动机器人技术辅助手术在真实临床环境中的应用受到多方面因素的影响。首先，多数系统基于术前的影像学资料和手术路径规划，与AI融合不足，在术中缺乏真正的自主决策能力，一旦患者的体位发生改变或者解剖结构稍微移位，就可能产生配准误差，进而影响导航的准确性。该问题在严重的骨质疏松及脊柱畸形患者中更为明显，现已有文献报道机器人辅助存在骨皮质破裂的风险［30-31］。其次，AI在术前规划及术中导航中的决策逻辑尚不完全清晰，其可解释性、责任归属及监管规范等问题亦限制了进一步临床普及。未来仍需依托多中心高质量数据库、加强跨平台验证，并推动算法透明化与临床流程深度融合，实现AI与机器人技术在脊柱外科中的稳定转化应用。（三）AI辅助3D打印技术AI辅助的3D打印技术具备个体化程度高、结构简单、操作直观、成本低且性价比高的优势。最初3D打印技术通过制备1∶1脊柱模型，用于术前模拟复杂的脊柱手术过程，以减少术中出血量及透视次数，提升置钉准确度［32-33］。但该方法只能打印骨性结构，未考虑脊柱周围肌肉、血管及神经等复杂组织，在真实手术中由于肌肉的牵拉，椎体空间位置会发生相对变化，可能导致置钉误差甚至出现神经血管损伤。随后AI辅助的3D打印导板逐渐应用于脊柱手术，在严重的脊柱侧弯等解剖结构异常的病例中个体化导板的优势更为明显［34］。通过将患者的术前影像资料导入AI软件，三维重建后对目标脊柱节段自动识别，结合椎体局部骨密度及螺钉抗拔出力自动确认螺钉型号及置入方向，最后用建模软件打印导板，术中将其贴合于椎体表面或相应椎体的皮肤表面，待稳定性良好后通过导板上预留的孔道进行置钉，提高了置钉准确率并缩短了手术时间［35-36］。AI辅助的3D打印导板也被用于PKP或PVP，在缩短手术和透视时间、减少骨水泥渗漏等方面优势明显［37-38］。随着金属3D打印技术（如钛合金粉末激光烧结技术）的成熟，3D打印开始应用于个体化植入物的制造［39］，如定制化假体和多孔椎间融合器。定制化假体多用于肿瘤切除或严重椎体破坏的患者，通过AI模型测量病变区域面积和缺损范围，定制个性化假体，在术中实现精准匹配和提供良好的力学稳定性［40］。对多孔椎间融合器，AI算法可结合影像及生物力学参数优化孔隙结构和接触面分布，从而改善融合能力和生物相容性，促进融合术后的快速康复。当前AI辅助的3D打印技术在脊柱外科手术中的应用已经愈加广泛，应用形式也呈现多样化，如机器人或增强现实手术导航与3D打印的联合应用［41］。尽管如此，AI辅助3D打印在临床转化中仍面临诸多困难：首先在技术层面，个性化假体与导板的设计及制备耗时长，难以及时应对急诊手术或者术中突发情况，且打印材料的生物相容性、力学性能及其与人体组织的长期相互作用仍需深入研究；其次在AI算法层面，由于3D模型的制作高度依赖于术前影像学资料，不同质量的影像图片和异常的解剖结构可能影响模型的稳定性。未来需构建泛化能力更强的AI算法，并通过新技术、新产品的研发解决现存问题，推动AI辅助3D打印技术在临床上规范化、规模化使用。综上所述，目前AI结合增强现实手术导航、AI驱动机器人、AI辅助3D打印等技术已经应用于脊柱外科的多种术式和关键手术步骤，并取得了较好的效果，但AI技术尚未完全成熟，在应用过程中仍存在一定不足。此外，这些技术的目的是辅助术者优化手术技术，而不是取代医生，扎实的基础知识与手术技能仍是为患者解决疾患、减轻痛苦、保证生命安全的关键。四、AI辅助预后评估常规术后预测与风险评估多依赖医生经验，难以充分整合多维度数据并实现个体化风险分层，存在主观性强、动态预测不足等缺陷。而以机器学习为主的AI技术能综合考虑影像学参数、实验室指标及手术等相关因素，在预测术后并发症发生风险、功能恢复及远期生存结局等方面展现出较大潜力。AI驱动的预测模型不仅有助于量化风险、提升精度、实现个性化评估，还可为临床制定精准干预策略、优化资源配置及改善患者预后提供重要依据，弥补了人工评估时效性与客观性不足的问题［42］。机器学习可精确预测脊柱术后的各种风险及疾病转归并找出关键影响因素，从而指导早期干预以避免并发症发生，提高患者的预后水平和生活质量［43-46］。术后切口感染是脊柱术后最常见并发症之一。Xiong等［47］利用584例后路腰椎椎间融合术患者（33例发生手术部位感染）的临床信息、影像学及实验室检查等数据，分别训练并验证7个机器学习算法，其中AdaBoost分类树模型展现出最佳性能，logistic回归分析提示术前白蛋白水平、糖尿病、术中硬膜撕裂和风湿性疾病是与手术部位感染相关的重要因素，为基础疾病较多的患者预防切口感染提供了可靠依据。除感染外，脊柱术后下肢深静脉血栓形成是临床广泛关注的问题。现有研究表明，AI技术在脊柱术后下肢深静脉血栓形成的预测中较传统风险评分的判断能力更佳，并得出围手术期生理负荷因素（如年龄、肥胖、手术时间）、慢性高凝状态及系统性疾病是脊柱术后静脉血栓形成的决定性因素。在椎体强化术后再骨折预测中，随机森林模型显示出优于logistic回归的判别能力，尤其在整合临床变量与影像组学特征后，模型对高危人群的识别能力明显提升［48］。此外，机器学习模型还用于更复杂的风险与预后评估，如PKP、PVP术后骨水泥渗漏、融合术后急性肾损伤及融合器沉降、住院时间是否延长、神经功能恢复及术后生存率等［49-51］，对加强患者的围术期管理具有重要作用。尽管机器学习模型在理论上具有更强的非线性处理能力，但其预测性能与传统模型相近。未来研究需进一步融入多维度的临床指标及数据，以提升AI的预测精度［52］。五、小结与展望AI技术在脊柱外科手术中的应用涵盖了术前精准决策、术中辅助操作以及预后精确评估三个环节，体现出AI算法的巨大潜力。但当前AI的发展仍处于初级阶段，距离实现脊柱外科智能诊疗还需不断完善。首先，AI系统可能因数据来源单一或标注不一致导致数据偏倚，进而影响模型在不同人群中的稳定性。未来可通过建立动态验证与迭代优化机制，采用真实世界数据持续评估模型性能，避免数据偏倚导致模型性能衰减；同时利用多中心协作纳入多样化数据，采用数据增强与偏倚校正技术构建更完善、标准化的脊柱多模态数据库。其次，小样本数据及模型结构与实际不匹配等问题可导致模型出现过拟合现象，且泛化能力不足，限制了模型在多样化临床场景中的推广。未来可以利用交叉验证准确评估模型真实性能，避免盲目相信训练结果，在迁移学习中通过领域自适应让模型更好地适应新场景以提升模型的泛化能力与鲁棒性。再次，AI的“黑箱”特性使医生只能获得相应结果而不明模型的工作原理，降低了医生信任度的同时限制了临床应用。未来可通过注意力机制、原型网络、可解释的“白盒”模型等可视化技术使模型透明化，或经反事实解释、形式化验证等外部技术手段分析已训练好的复杂模型。最后，AI在临床中的应用还面临伦理和法律困境，需继续完善伦理审查等制度与法律法规体系，保障数据安全与患者权益。尽管挑战犹存，AI在脊柱手术治疗中的应用前景广阔。AI有望构建更完善的诊疗范式，为患者提供更加精准高效、个性化的优质医疗服务，推动脊柱疾患诊疗的智能化和精准化。参考文献[1]KalanjiyamGP,ChandramohanT,RamanM,etal.Artificialintelligence:anewcutting-edgetoolinspinesurgery[J].AsianSpineJ,2024,18(3):458-471.DOI:10.31616/asj.2023.0382.[2]徐云容,王文通,黄在田,等.人工辅助技术在脊柱骨折中的应用进展[J].骨科临床与研究杂志,2024,9(5):309-312.DOI:10.19548/j.2096-269x.2024.05.007.[3]CharlesYP,LamasV,NtilikinaY.Artificialintelligenceandtreatmentalgorithmsinspinesurgery[J].OrthopTraumatolSurgRes,2023,109(1S):103456.DOI:10.1016/j.otsr.2022.103456.[4]WellingtonIJ,KarsmarskiOP,MurphyKV,etal.Theuseofmachinelearningforpredictingcandidatesforoutpatientspinesurgery:areview[J].JSpineSurg,2023,9(3):323-330.DOI:10.21037/jss-22-121.[5]DeBarrosA,AbelF,KolisnykS,etal.Determiningpriorauthorizationapprovalforlumbarstenosissurgerywithmachinelearning[J].GlobalSpineJ,2024,14(6):1753-1759.DOI:10.1177/21925682231155844.[6]DandurandC,FallahN,ÖnerCF,etal.Predictivealgorithmforsurgeryrecommendationinthoracolumbarburstfractureswithoutneurologicaldeficits[J].GlobalSpineJ,2024,14(1_suppl):56S-61S.DOI:10.1177/21925682231203491.[7]FanG,WangD,LiY,etal.Machinelearningpredictsdecompressionlevelsforlumbarspinalstenosisusingcanalradiomicfeaturesfromcomputedtomographymyelography[J].Diagnostics(Basel),2023,14(1):53.DOI:10.3390/diagnostics14010053.[8]AktanC,KoşarA,ÜnalM,etal.Reliabilityoflargelanguagemodel-basedartificialintelligenceinAISassessment:Lenkeclassificationandfusion-levelsuggestion[J].Diagnostics(Basel),2025,15(24):3219.DOI:10.3390/diagnostics15243219.[9]MorbéeL,ChenM,HerregodsN,etal.MRI-basedsyntheticCTofthelumbarspine:geometricmeasurementsforsurgeryplanningincomparisonwithCT[J].EurJRadiol,2021,144:109999.DOI:10.1016/j.ejrad.2021.109999.[10]LewandrowskiKU,MuraleedharanN,EddySA,etal.ReliabilityanalysisofdeeplearningalgorithmsforreportingofroutinelumbarMRIscans[J].IntJSpineSurg,2020,14(s3):S98-S107.DOI:10.14444/7132.[11]AliIS,BakaesY,MacLeodJS,etal.Artificialintelligenceinplanningforspinesurgery[J].CurrRevMusculoskeletMed,2025,18(12):627-634.DOI:10.1007/s12178-025-09992-5.[12]YangX,WangL,YangQ,etal.Neurologicalsafetyofendoscopictransforaminallumbarinterbodyfusion:amagneticresonanceneurographystudy[J].Spine(PhilaPa1976),2023,48(5):344-349.DOI:10.1097/BRS.0000000000004496.[13]SchererM,KauschL,BajwaA,etal.Automaticplanningtoolsforlumbarpediclescrews:comparisonandvalidationofplanningaccuracyforself-deriveddeep-learning-basedandcommercialatlas-basedapproaches[J].JClinMed,2023,12(7):2646.DOI:10.3390/jcm12072646.[14]SaraviB,GuzelHE,ZinkA,etal.Synthetic3DspinalvertebraereconstructionfrombiplanarX-raysutilizinggenerativeadversarialnetworks[J].JPersMed,2023,13(12):1642.DOI:10.3390/jpm13121642.[15]SuZ,HuangC,CuiZ,etal.Applyingapreoperativeplanningmethodbasedon3Dartificialintelligence-generatedlumbarmodelsintransforaminalpuncture:aphantomsstudy[J].PainPhysician,2025,28(4):E347-E357.[16]MaoRQ,LanL,KayJ,etal.Immersivevirtualrealityforsurgicaltraining:asystematicreview[J].JSurgRes,2021,268:40-58.DOI:10.1016/j.jss.2021.06.045.[17]MaY,WuJ,DongY,etal.Augmentedrealitynavigationsystemenhancestheaccuracyofspinalsurgerypediclescrewplacement:arandomized,multicenter,parallel-controlledclinicaltrial[J].OrthopSurg,2025,17(2):631-643.DOI:10.1111/os.14295.[18]SiemionowKB,KatchkoKM,LewickiP,etal.Augmentedrealityandartificialintelligence-assistedsurgicalnavigation:techniqueandcadavericfeasibilitystudy[J].JCraniovertebrJunctionSpine,2020,11(2):81-85.DOI:10.4103/jcvjs.JCVJS_48_20.[19]HeyG,GuyotM,CarterA,etal.Augmentedrealityinneurosurgery:anewparadigmfortraining[J].Medicina(Kaunas),2023,59(10):1721.DOI:10.3390/medicina59101721.[20]TigchelaarSS,MedressZA,QuonJ,etal.Augmentedrealityneuronavigationforenblocresectionofspinalcolumnlesions[J].WorldNeurosurg,2022,167:102-110.DOI:10.1016/j.wneu.2022.08.143.[21]NguyenNQ,PriolaSM,RamjistJM,etal.Machinevisionaugmentedrealityforpediclescrewinsertionduringspinesurgery[J].JClinNeurosci,2020,72:350-356.DOI:10.1016/j.jocn.2019.12.067.[22]vonAtzigenM,LiebmannF,HochA,etal.Marker-freesurgicalnavigationofrodbendingusingastereoneuralnetworkandaugmentedrealityinspinalfusion[J].MedImageAnal,2022,77:102365.DOI:10.1016/j.media.2022.102365.[23]HaoD.Briefhistoryandapplicationprospectofroboticspinesurgery[J].ZhongguoXiuFuChongJianWaiKeZaZhi,2024,38(8):899-903.DOI:10.7507/1002-1892.202406089.[24]DuSY,DaiJ,ZhouZT,etal.Sizeselectionandplacementofpediclescrewsusingrobot-assistedversusfluoroscopy-guidedtechniquesforthoracolumbarfractures:possibleimplicationsforthescrewlooseningrate[J].BMCSurg,2022,22(1):365.DOI:10.1186/s12893-022-01814-6.[25]XiaoX,WangX,MengB,etal.ComparisonofroboticAI-assistedandmanualpediclescrewfixationfortreatingthoracolumbarfractures:aretrospectivecontrolledtrial[J].FrontBioengBiotechnol,2025,13:1491775.DOI:10.3389/fbioe.2025.1491775.[26]NiuHG,ZhangJJ,TaoH,etal.Robot-assistedpercutaneouslagscrewosteosynthesisforC1lateralmassfractures:caseseriesandtechnicalnote[J].WorldNeurosurg,2023,172:66-70.DOI:10.1016/j.wneu.2023.01.106.[27]SunC,ZhengY,HuJ,etal.Multisensoryintegrationforidentifyingthemillingstatesinrobot-assistedcervicallaminectomy[J].OrthopSurg,2025,17(11):3252-3261.DOI:10.1111/os.70182.[28]WangP,YangK,QiH,etal.Multimodalneuroelectrophysiologicalmonitoringcombinedwithrobot-assistedplacementofatransiliac-transsacralscrewforthetreatmentoftransforaminalsacralfractures[J].BiomedResInt,2022,2022:3383665.DOI:10.1155/2022/3383665.[29]WilentWB,NdegeMR,DoanA.Thefutureofintraoperativeneuromonitoring(IONM)inspinalsurgery[J].NAmSpineSocJ,2025,24:100777.DOI:10.1016/j.xnsj.2025.100777.[30]ZhaoJ,LiuY,ZhangQ,etal.Robot-assistedpercutaneouspars-pediclescrewfixationfortreatingHangman'sfracture[J].JOrthopSurgRes,2023,18(1):271.DOI:10.1186/s13018-023-03765-x.[31]SoniA,VidyadharaS,KanhangadMP,etal.Robot-assistedcervicalpediclescrewplacementusinganovelhybriddilatortechnique:aclinicalseriesof565screws[J].JCraniovertebrJunctionSpine,2025,16(3):301-306.DOI:10.4103/jcvjs.jcvjs_115_25.[32]陈展鹏,胡奕山,刘伟军,等.3D打印辅助后路椎弓根钉棒内固定术对胸腰椎骨折的疗效及椎间盘损伤的影响[J].颈腰痛杂志,2025,46(5):853-860.ChenZP,HuYS,LiuWJ,etal.Thetherapeuticeffectof3Dprintingassistedposteriorpediclescrewfixationonthoracolumbarfracturesanditsimpactonintervertebraldiscinjury[J].THEJOURNALOFCERVICODYNIAANDLUMBODYNIA,2025,46(5):853-860.[33]张文涛,杨明,孙天泽,等.人工智能在脊柱外科的应用进展[J].中国脊柱脊髓杂志,2022,32(2):174-179.DOI:10.3969/j.issn.1004-406X.2022.02.11.ZhangWT,YangM,SunTZ,etal.Applicationprogressofartificialintelligenceinspinesurgery[J].ChineseJournalofSpineandSpinalCord,2022,32(2):174-179.DOI:10.3969/j.issn.1004-406X.2022.02.11.[34]李帅,白胶胶,贺园,等.脊柱外科智能化辅助系统的研究进展[J].中华骨与关节外科杂志,2025,18(6):558-564.DOI:10.3969/j.issn.2095-9958.2025.06.13.LiS,BaiJJ,HeY,etal.Researchprogressonintelligentauxiliarysystemsinspinesurgery[J].ChinJBoneJointSurg,2025,18(6):558-564.DOI:10.3969/j.issn.2095-9958.2025.06.13.GotoCitationGoogleScholarBaiduScholarWanfangData[35]马辉.3D打印导板辅助胸腰椎椎弓根螺钉置入在胸腰椎骨折中的应用研究[D].宁夏医科大学,2025.DOI:10.27258/ki.gnxyc.2025.000137.[36]ZengB,WuC,LiT,etal.Three-dimensionalprinteddrillguidetemplateassistingpercutaneouspediclescrewfixationformultiple-levelthoracolumbarfractures[J].ZhongguoXiuFuChongJianWaiKeZaZhi,2021,35(6):742-749.DOI:10.7507/1002-1892.202012081.[37]JiangWL,LiuT,ZhangQB,etal.ImprovedunilateralpuncturePVPbasedon3Dprintingtechnologyforthetreatmentofosteoporoticvertebralcompressionfracture[J].ZhongguoGuShang,2024,37(1):7-14.DOI:10.12200/j.issn.1003-0034.20221151.[38]GaoT,WanSY,ChenZY,etal.Clinicalsignificanceofmodifiedunilateralpuncturepercutaneousvertebroplastyguidedby3D-printedguidesinthetreatmentofosteoporoticvertebralcompressionfractures:aretrospectivestudy[J].BMCMusculoskeletDisord,2024,25(1):656.DOI:10.1186/s12891-024-07750-1.[39]MengM,WangJ,HuangH,etal.3Dprintingmetalimplantsinorthopedicsurgery:methods,applicationsandfutureprospects[J].JOrthopTranslat,2023,42:94-112.DOI:10.1016/j.jot.2023.08.004.[40]纪玉清,李振峰,李建民,等.3D打印人工椎体在颈椎骨巨细胞瘤前后联合入路肿瘤切除后重建的临床应用[J].中国骨与关节杂志,2021,10(7):515-520.DOI:10.3969/j.issn.2095-252X.2021.07.007.JiYQ,LiZF,LiJM,etal.Clinicalapplicationof3D-printedartificialvertebraeinreconstructionaftertumorresectionusinganteriorandposteriorcombinedapproachesforcervicalgiantcelltumor[J].ChineseJournalofBoneandJoint,2021,10(7):515-520.DOI:10.3969/j.issn.2095-252X.2021.07.007.[41]PeiL,YuanW,LiuX,etal.Robot-assistedanteriortranspedicularscrewfixationwith3Dprintedimplantformultiplecervicalfractures:acasereport[J].Medicine(Baltimore),2022,101(49):e31876.DOI:10.1097/MD.0000000000031876.[42]KuijtenRH,ZijlstraH,GrootOQ,etal.ArtificialIntelligenceandpredictivemodelinginspinaloncology:anarrativereview[J].IntJSpineSurg,2023,17(S1):S45-S56.DOI:10.14444/8500.[43]QiB,KongK,WuQ,etal.Machinelearning-drivenpredictionofriskfactorsforpostoperativerefracturesinelderlyOVCFpatientswithunderlyingdiseases:modeldevelopmentandvalidation[J].FrontMed(Lausanne),2025,12:1616923.DOI:10.3389/fmed.2025.1616923.[44]ZouC,ChenR,WangB,etal.DevelopmentofadeeplearningradiomicsmodelcombininglumbarCT,multi-sequenceMRI,andclinicaldatatopredicthigh-riskcagesubsidenceafterlumbarfusion:aretrospectivemulticenterstudy[J].BiomedEngOnline,2025,24(1):27.DOI:10.1186/s12938-025-01355-y.[45]CuiY,ShiX,WangQ,etal.Artificialintelligence-based