脊柱健康诊断通过深度学习实现自动化
脊柱健康诊断通过深度学习实现自动化
先进的深度学习模型正在改变脊柱健康诊断方式。ETH Zurich生物力学研究所的研究团队开发了一种基于U-Net架构的AI模型，能够自动分析X光片，准确预测脊柱对齐测量结果。这项研究不仅提高了诊断速度和准确性，还有望帮助医生节省时间、减少诊断错误，并改进针对脊柱侧凸和脊柱后凸等脊柱疾病患者的治疗计划。
重塑脊柱诊断
作为最常见的脊柱疾病，美国约有700万人被诊断为脊柱侧凸，全球约有3%的患者被诊断为脊柱侧凸。该疾病和其他脊柱不对齐问题通常会引起痛楚、限制活动能力，并导致健康并发症（如呼吸系统问题），从而降低人们的生活质量。
准确的诊断和监控是有效治疗患者的关键，但是，X-ray测量、视觉评估和依赖临床专业知识等传统方法可能需要大量劳动力，且速度缓慢且不一致。
在解剖结构异常的患者中，现有的AI模型难以处理复杂的脊柱不对齐病例。这些疾病可能是由先天性疾病、手术、变性或外伤引起的。
使用AI绘制脊节点地图
这项研究发表在《Spine Deformity》中，使用修改后的U-Net架构解决了这些限制，该架构使用高级分割方法并识别关键的脊柱结构。这种AI架构将空间细节与对解剖学关系的理解相结合，并通过在标注数据集上进行训练来收集这些细节。
该模型分析从前后和侧面拍摄的X-rays（X光片），以获得患者脊柱曲率和对齐的全面多视图。该团队发现了对预测图像中的脊柱对齐至关重要的解剖特征，例如椎骨、盆骨、髋关节和荐骨区域，因此能够确定图像的边界和形状。
图 1. 用于脊柱预测的自动管道概述
研究人员使用由医学专家手动标注的555张放射照片组成的数据集对该模型进行训练，其中455张图像用于训练，100张用于测试。在推理过程中，模型初始化大约需要4秒，而图像预测则需要不到1秒。
cuDNN加速的TensorFlow深度学习框架上的一个NVIDIA RTX A6000GPU为处理高分辨率图像和加速模型训练提供了动力。该团队获得了NVIDIA Academic Grant Program的GPU奖项，该计划旨在通过为研究人员提供世界级的计算访问权限和资源来提升学术水平。
护理的未来
研究人员发现，该模型可以准确预测脊柱对齐测量结果，即使在涉及异常的挑战性案例中也是如此，而且可以在不同的年龄组和脊柱区域进行预测，这意味着它能够在许多用例中发挥作用。
该AI模型提供的结果与专家相似，在预测脊柱曲率方面的可靠性得分高达88%，令人印象深刻。在其他脊柱测量结果（例如骨盆倾斜和骶骨斜率）中，它的表现也很出色，与人工测量相比，预测结果的平均差异仅为3.3度。
总体而言，该系统成功分析了61%的病例的脊柱健康数据，其中一些测量结果的可靠性接近完美，高达99%。
这项研究强调了AI在简化临床工作流程、通过快速分析大量X光片为医生节省时间以及帮助诊断具有挑战性的病例方面的潜力。
但是，据Jokeit称，该模型还需要进一步开发。在使用医学植入物的患者中，X射线片上的明亮伪影会影响分割准确性，而在肥胖患者中，图像质量降低会导致更难以区分解剖结构。
研究人员计划探索其他预训练模型架构（例如keypoint R-CNN或transformer-based modes）如何将这种方法扩展到不同类型的X-rays。他们还专注于收集更多训练数据，尤其是针对具有挑战性的解剖结构和植入物患者。