基于深度学习的脊柱退行性病变X光定量评估研究综述

基于深度学习的脊柱退行性病变X光定量评估研究综述一、脊柱退行性病变临床评估需求与传统影像方法的局限性脊柱退行性病变是中老年人群高发的肌肉骨骼系统疾病，涵盖椎间盘退变、椎体骨质增生、小关节病变、椎管狭窄等多种病理改变，疾病进展可引发颈肩腰腿痛、神经功能障碍甚至瘫痪，严重影响患者生活质量。临床诊疗中，X光平片因操作便捷、成本低廉、辐射剂量低，是脊柱退行性病变的首选筛查和初步评估手段。传统X光评估依赖放射科医师主观阅片，通过目测对病变程度进行分级（如Pfirrmann椎间盘退变分级、椎体骨赘分级），但该模式存在显著局限性：一是评估一致性差，不同医师对同一影像的判读差异可达20%~35%，低年资医师漏诊率更是超过40%；二是难以实现定量测量，传统分级仅能提供“轻/中/重”等离散等级，无法精准量化病变的形态学变化（如椎间隙高度丢失百分比、骨赘体积、脊柱生理曲度异常程度），难以满足疾病进展监测、治疗效果量化评估的需求；三是阅片效率低，面对大规模体检人群的脊柱X光影像，人工判读的平均耗时超过5分钟/例，且易受医师疲劳度影响。随着精准医疗理念的普及，临床对脊柱退行性病变的评估提出了“定量化、自动化、智能化”的需求，如何从X光影像中挖掘更多量化特征、提升评估效率与准确性，成为放射学和骨科领域的研究热点。深度学习技术的快速发展为解决这一问题提供了新路径，其强大的特征提取能力能够自动识别X光影像中微小的病理改变，实现病变的精准定位与定量测量，近年来已在脊柱退行性病变评估领域取得了一系列突破性进展。二、深度学习在脊柱X光影像预处理中的技术演进高质量的影像预处理是提升后续定量评估准确性的基础，脊柱X光影像常存在对比度低、组织重叠、拍摄角度差异、伪影干扰等问题，传统预处理方法（如直方图均衡化、滤波去噪）难以适配不同设备、不同拍摄条件下的影像差异，深度学习技术的介入实现了预处理流程的智能化与自适应优化。（一）影像质量增强针对脊柱X光影像对比度不足、软组织与骨组织边界模糊的问题，研究者提出了多种基于生成对抗网络（GAN）的增强算法。2021年，斯坦福大学团队提出的SpineGAN模型采用U-Net作为生成器，引入多尺度感知损失函数，能够在保留骨组织边缘细节的同时，显著提升椎间隙、椎体终板等关键区域的对比度，实验结果显示该模型将后续椎间盘退变分级的准确率提升了11.2%。此外，基于Transformer的自监督增强算法逐渐成为新的研究方向，2023年国内团队提出的Self-Trans增强模型利用大规模无标注脊柱X光数据进行预训练，能够自动识别影像中的噪声、伪影并进行修复，对不同品牌设备拍摄的低质量影像具有良好的泛化能力，在多中心数据集上的增强效果优于传统算法30%以上。（二）脊柱结构分割与关键点检测精准分割椎体、椎间盘、椎弓根等解剖结构，定位关键解剖标志点是实现定量评估的前提。早期研究多采用卷积神经网络（CNN）实现结构分割，2018年提出的VNet-Spine模型首次实现了颈椎、胸椎、腰椎全节段的端到端自动分割，在公开数据集上的Dice系数达到0.92。随着Transformer技术在医学影像领域的应用，2022年推出的Swin-Unet分割模型通过引入窗口自注意力机制，有效解决了脊柱长序列结构依赖的问题，对畸形脊柱、术后内置物周边结构的分割精度较CNN模型提升了8.7%。在关键点检测方面，目前主流方法可分为热图回归法和坐标直接回归法两类。2020年提出的SpineNet模型通过级联多个Hourglass网络，能够同时定位100余个脊柱解剖关键点，平均定位误差小于1.2mm，为后续脊柱曲度测量、椎间隙高度计算提供了精准的坐标基础。针对脊柱侧弯等畸形病例中关键点错位的问题，2024年最新研究提出了结合解剖先验知识的约束检测模型，将畸形脊柱的关键点检测准确率从72%提升至91%，进一步拓展了算法的临床适用场景。三、脊柱退行性病变核心病理改变的深度学习定量评估方法当前深度学习技术已覆盖脊柱退行性病变主要病理类型的定量评估，围绕椎间盘退变、椎体骨质增生、椎管狭窄、脊柱曲度异常四类核心病变，形成了较为完善的定量评估体系。（一）椎间盘退变定量评估椎间盘退变是脊柱退行性病变的核心病理起始环节，X光影像中主要表现为椎间隙高度降低、终板硬化、椎间盘钙化等特征。传统评估仅能对椎间隙高度进行粗略分级，深度学习技术实现了多维度的定量测量：一是椎间隙高度的精准计算，通过检测椎体上下终板的关键点，能够自动计算椎间隙前、中、后三点高度及平均高度，测量误差小于0.3mm，与手工测量的一致性高达0.97；二是终板退变程度量化，2022年研究提出的多任务CNN模型能够自动分割终板硬化区域，计算硬化区域面积占终板总面积的比例，实现终板退变的连续量化评分，取代传统的0~3级离散分级；三是椎间盘退变分级的智能评估，2023年MetaAI团队提出的模型在10万余例脊柱X光与MRI配对数据集上训练，实现了仅通过X光影像预测MRI下的Pfirrmann椎间盘退变分级，准确率达到85.3%，为缺乏MRI设备的基层医疗机构提供了精准评估椎间盘退变的新路径。（二）椎体骨质增生与骨折定量评估椎体骨质增生（骨赘）、骨质疏松性椎体压缩骨折是脊柱退行性病变的常见表现，传统评估难以精准量化骨赘大小、骨折压缩程度。深度学习技术在该领域的应用包括：一是骨赘的自动检测与体积估算，通过实例分割算法识别椎体边缘的骨赘结构，结合椎体形态先验知识计算骨赘的三维体积（基于二维X光的体积估算误差小于15%），并自动判断骨赘是否对椎间孔造成压迫；二是椎体压缩骨折的定量分级，2021年发表在《Radiology》的研究提出的模型能够自动测量椎体前缘、中缘、后缘高度的压缩比例，实现骨折程度的连续量化，同时区分新鲜与陈旧性骨折，AUC值达到0.94；三是骨密度的间接估算，2024年最新研究通过提取椎体皮质骨、松质骨的影像组学特征，结合深度学习模型实现了通过腰椎X光预测骨密度T值，与双能X线吸收法（DXA）测量结果的相关系数达到0.89，可用于骨质疏松的大规模筛查。（三）椎管狭窄与小关节病变定量评估椎管狭窄、小关节退变是引发神经根压迫症状的主要原因，由于X光影像中软组织分辨率较低，传统方法难以对这类病变进行有效评估。深度学习技术通过挖掘影像中的间接征象实现了定量评估：一是椎管狭窄程度预测，2022年研究提出的多模态融合模型结合脊柱正侧位X光影像特征，能够预测椎管的前后径、横径及横截面积，与CT测量结果的相关系数达到0.82，可用于椎管狭窄的初步筛查；二是小关节退变定量分级，通过检测小关节间隙宽度、增生骨赘情况，实现小关节退变的0~4级自动分级，准确率达到79.6%，与高年资放射科医师的评估一致性接近0.8；三是椎间孔狭窄评估，通过分割椎体后缘、椎弓根、上关节突等结构，自动计算椎间孔的高度与宽度，判断是否存在狭窄，灵敏度达到87.2%。（四）脊柱力线与曲度异常定量评估脊柱生理曲度异常、序列不稳是脊柱退行性病变进展的重要标志，精准测量脊柱力线参数对治疗方案制定具有重要指导意义。深度学习技术实现了全脊柱力线参数的自动测量：一是颈椎、腰椎生理曲度测量，通过自动识别C2~C7、T12~S1节段的椎体关键点，自动计算Cobb角、颈椎前凸角、腰椎前凸角等参数，测量误差小于2.5°，与手工测量的一致性超过0.95；二是脊柱侧弯畸形评估，对青少年特发性脊柱侧弯、退变性脊柱侧弯病例，能够自动定位上下端椎，测量主弯Cobb角、椎体旋转度等参数，测量误差小于3°，满足临床诊疗需求；三是脊柱不稳的定量检测，通过对比动力位（过伸过屈位）X光影像中椎体的相对位移，自动计算椎体滑移距离、角度变化，判断是否存在脊柱不稳，准确率达到83.5%。四、现有研究的局限性与未来发展方向尽管深度学习在脊柱退行性病变X光定量评估领域已取得显著进展，但目前研究仍存在多方面局限性，距离大规模临床落地仍有诸多挑战需要突破。首先是数据集的泛化性不足问题。现有模型多在单中心、同质数据集上训练，不同机构的X光设备、拍摄参数、人群种族差异会显著降低模型的准确率，部分模型在跨中心测试时准确率下降超过20%。未来需要构建多中心、大样本、多维度的标注数据集，纳入不同年龄、不同病种、不同设备的影像数据，同时发展域适应、小样本学习等技术，提升模型对异质数据的泛化能力。其次是可解释性不足的问题。深度学习模型的“黑箱”特性使得其评估结果难以被临床医师信任，当模型评估结果与人工判读存在差异时，无法提供合理的决策依据。未来需要进一步发展可解释人工智能技术，通过热力图可视化、特征重要性分析等方法，明确模型评估所依赖的影像特征，提升模型的临床可信度。第三是临床落地的流程适配问题。现有算法多为单任务模型，仅能评估某一类特定病变，而临床实际中患者常同时存在多种退行性改变，需要构建多任务联合评估模型，实现一次输入即可输出所有病变的定量评估结果，同时将算法与医院现有的影像归档和通信系统（PACS）深度融合，减少医师的操作负担。最后是定量评估的临床价值验证不足