首页 > 论文范文 > 医药卫生论文 > 骨科疾病论文 > 脊柱论文 > 人工神经网络在脊柱外科中的应用进展

人工神经网络在脊柱外科中的应用进展

2024-04-06 43 上传者：管理员

摘要：目前在脊柱外科领域，人工神经网络凭借着对医学图像分析和患者数据分析的出色表现被众多研究者重视，其在预测患者并发症风险、诊断患者脊柱相关疾病、开发小鼠病理模型等临床和科研方面的准确性及实用性越来越高，重要性日益显著。但是，人工神经网络尚未被大多数脊柱外科医师充分认知。该文就人工神经网络在脊柱外科的图像分析、临床诊断及治疗等方面的研究进行综述，阐述人工神经网络在脊柱外科中的应用，并探讨其应用的局限性和未来发展方向。

关键词：
人工智能
人工神经网络
医学图像分析
脊柱外科
辅助诊断
加入收藏

英国数学家Alan Mathison Turing于20世纪50年代首次提出人工智能，并将其定义为一种具有与人类相似的逻辑和对知识的学习归纳能力，能够进行复杂、智能计算的计算机技术。人工神经网络是人工智能的一种，是非线性的模拟人脑处理信息的计算机程序，其通过大量数据的输入，接受教育，产生经验，再由经验得出判断[1]。近年来计算机硬件和编程语言的不断进步为人工神经网络发展打下坚实的技术基础。此外，由于大数据网络的发展，海量的医疗数据需要处理，这种需求推动了人们在人工神经网络方面的投入，为人工神经网络的学习、迭代提供了足够的资源。这使得新的人工神经网络模型层出不穷，其在医学领域中的诊断和预后预测等方面有着优越的表现[1,2]。

目前，人工神经网络在病理学[3]、口腔修复学[4]、心脏病学[5]等方面都有着广泛的研究和应用，在骨组织工程这类医工交叉学科中也有所建树，包括植入物表面纹理选择[6]、预测材料用量[7]等方面。在脊柱外科领域，人工神经网络能够辅助医师处理大量的医学图像和患者数据，提高诊疗效率和准确率，应用前景十分广阔[8]。目前人工神经网络研究已涉及脊柱外科的各个领域，成为了脊柱外科发展的新方向，但尚未被大多数脊柱外科医师充分认知。因此，本文拟从人工神经网络在脊柱外科的图像分析、临床诊断及治疗等方面阐述人工神经网络在脊柱外科中的应用现状，并探讨其应用的局限性和未来发展方向。

1、图像分析

1.1 对脊柱结构图像的分析

人工神经网络能够对正常脊柱结构的X线、CT、MRI图像进行清晰地分割、测量和标记[9,10,11],但过去的人工神经网络只能对单一类型图像进行分析。Suri et al[12]应用人工神经网络系统就可以对椎体和椎间盘的X线、CT、MRI 3种图像进行自动快速描绘，成功地完成了人工神经网络3大图像模块的整合，提高了系统的可用性。

对全脊柱的功能结构进行自动检测是人工神经网络的另一个重要应用，这有助于克服主观因素，建立脊柱正常解剖结构的定量标准[13]。其检测方法主要分为两种。① 对单一脊柱结构的自动分割、自动定位和姿态识别，用于描述特定的椎体解剖结构。Cai et al[14]从MRI和CT图像中成功提取出具有准确标记的局部椎体位置和椎体姿态，并能做到全脊柱三维重建。针对中国大陆人群样本，Hu et al[15]开发了需要人工输入来检测椎间盘边界的半自动测量程序Spine Explorer(version 1.0)。在此基础上同一团队的Huang et al[16]结合人工神经网络，开发了能在MRI图像上自动进行椎间盘分割和量化的Spine Explorer(Yitian 2.0)程序。除椎体等较大的解剖结构外，在人工神经网络的帮助下，相对较小的结构，例如椎间神经孔也同样能够被分割、量化和定量分析[13],此外，肌肉组织也可以进行相关分析[17]。② 对不同脊柱结构同时进行定位和分割，以及进一步的新型影像学标志快速应用。2018年基于人工神经网络的系统Spine-GAN在完成多个脊柱结构同时分割的基础上，利用连续性判断网络对系统本身进行反馈优化，展示了其作为临床工具的巨大潜力[11]。椎体骨髓脂肪(BMF)是一种新的用于评估椎间盘退变的影像生物标志物[18],但此标志物需要在图像中人工分割椎间盘，效率不高，临床意义欠佳[19]。Zhou et al[20]成功完成了水-脂肪MRI图像中自动分割腰椎椎体，并进行了量化BMF值的前瞻性研究。一方面，神经网络分割椎体的准确率与人工分割的准确率相当，展现出了良好的性能。另一方面，能同时对多个脊柱结构进行分析，极大地提高了工作效率。

1.2 对病理性脊柱结构图像的分析

Lin(2008年)使用人工神经网络对脊柱图像表现出的病理性畸形进行评估和分级，减少了脊柱畸形分类识别的模糊性，并且随着技术的发展，人工神经网络对病理性影像学分级的准确性越来越高。Won et al[21]在应用人工神经网络对MRI图像中的椎管狭窄进行分级的研究中发现，人工神经网络的水平甚至超越了人工检测的结果。随着技术的发展，有学者[22]应用单一系统就能进行Pfirrmann分级、椎间盘变窄、腰椎滑脱等多种异常影像学分级的研究，该方法效率更高，操作更简便，更有助于临床辅助诊断。

2、脊柱疾病诊断

脊柱疾病的诊断一定程度上依赖医师对影像学图像的分析。随着人工神经网络在图像分析方面的日益成熟，其在脊柱疾病诊断和预防的应用前景更加广阔。目前，人工神经网络可辅助医师对脊柱侧弯畸形、脊柱肿瘤、骨质疏松性椎体骨折等复杂疾病进行诊断。

2.1 脊柱侧弯畸形

脊柱侧弯畸形是脊柱畸形中占比最大的一种。Cobb角是诊断及评估脊柱侧弯畸形的金标准，但其准确度受医师水平等主观因素的制约。Zhang et al[23]使用X线胶片建立了一个能够自动测量Cobb角的神经网络系统，将其自动测量结果与脊柱畸形外科专家手工测量的结果进行比较后发现，该系统精度已能够满足辅助诊断的要求，但此系统需要人为选择Cobb角的上端椎和下端椎，没有做到全自动化测量。随着人工神经网络的发展，在拥有更高准确性的卷积神经网络的帮助下，全自动化测量Cobb角已成为可能。研究[24]比较了3种卷积神经网络在X线片中进行椎体分割的效果，发现残差U-Net较原始U-Net、稠密U-Net等其他卷积神经网络的效果更好，其测量结果与临床医师手动测量的结果无明显差异，进而为临床提供了一种可靠而便捷的测量脊柱Cobb角的方法。另外，在卷积神经网络的辅助下对三维超声图像进行选择的诊断系统，可减少医患的辐射危害[25,26,27]。

2.2 脊柱肿瘤

脊柱原发性肿瘤发病率低，但脊柱转移性肿瘤的发病率较高，人工神经网络研究更多地着眼于脊柱转移肿瘤的辅助诊断。Wang et al[28]使用卷积神经网络在MRI图像中判断出全脊柱内绝大多数转移瘤的病灶，敏感度达到了89.1%。研究[29]发现人工神经网络依然满足辅助诊断脊柱肿瘤微小病变的要求，并且突破了诊断工具的局限性，在全脊柱CT上成功进行了诊断。脊柱转移肿瘤的来源众多，包括乳腺、前列腺、肺、甲状腺、肾和胰腺等，如果可以准确检测转移肿瘤的来源，就可以进行更高效的治疗。目前常用的相关检测手段是PET-CT检查，但其存在价格昂贵、辐射量大等缺点。动态对比增强MRI可以分辨部分转移性肿瘤的来源，但需要放射医师人工测量，临床效率不高。Lang et al[30]通过使用人工神经网络替代医师测量，使动态对比增强MRI诊断转移性肿瘤的效率大大提高，展现了人工神经网络在早期诊断和精准治疗脊柱转移性肿瘤方面的巨大优势。

2.3 骨质疏松性椎体骨折

骨质疏松性骨折是常见的椎体骨折[31],但Delmas et al(2005年)报道，椎体骨折诊断中假阴性诊断的发生率为34%。椎体骨折的延迟诊断可能会导致治疗预后不良，患者死亡风险增加[32]。然而，无论是X线图像还是CT图像，人工神经网络都有着筛选诊断脊柱骨折的能力。Murata et al[33]建立了一个基于深层卷积神经网络的脊柱骨折自动诊断算法，通过对X线图像的分析进行胸腰段脊柱骨折疾病的诊断，具有很高的灵敏度(84.7%)和特异性(87.3%),可与脊柱专家临床诊断的准确率相媲美。在Tomita et al[34]的研究中，一项基于深度神经网络开发的模型在1 432张CT图像中检测骨质疏松性椎体骨折，准确度达到了89.2%,与影像学医师的判断结果相近。除此之外，人工神经网络能够作为帮助验证骨质疏松性椎体骨折新的诊断指标。Ulivieri et al[35]进行了一项有172名对象的前瞻性、纵向、多中心研究，使用人工神经网络模型对2019年新发现的骨应变指数(BSI)[36]进行分析，发现BSI是骨质疏松性椎体骨折的有效指标，结合骨密度指数这个原有的标准，能有效、快速地对患者进行早期诊断。

3、脊柱疾病治疗

一直以来脊柱外科领域的人工智能更多关注的是图像分析和诊断识别。而人工神经网络适合处理病例信息等庞大而又复杂的数据集，使其在脊柱疾病的治疗方面也展现了很大的作用。

在非手术治疗方面，人工神经网络能够帮助医师发现新的药物敏感指标，有助于在治疗过程中对疗效的判断。Messina et al[37]通过人工神经网络分析发现特立帕肽不仅对骨小梁评分和骨密度有正向作用，还可以改善骨应变指数，说明了特立帕肽对骨质疏松的治疗作用。此外，人工神经网络还可用于脊柱肿瘤的放射治疗，Roggen et al[38]使用人工神经网络建立了脊柱立体定向放射治疗的模型，利于放疗剂量的准确使用，减少放疗并发症的发生。

在脊柱外科手术治疗中，如何选择手术方式、手术适应证和减少术后并发症是外科医师必要的能力，但这种能力又需要长时间的临床经验积累和临床思维培养，而人工神经网络能够辅助外科医师进行评估和选择，缩短学习时间，提高临床疗效，减少术后并发症的发生。目前人工智能在手术治疗中的应用主要包括预测预后和改进治疗方法，涉及麻醉、术后功能改善、术后不良反应、手术难度、手术决策、术后用药等领域。Hopkins et al[39]使用深度神经网络创建的模型预测4 000余例患者后路脊柱融合术后手术部位感染情况，成功分辨了术后感染病例和非感染病例。Ren et al[40]基于深度学习的分析能够预测肺腺癌患者胸椎转移瘤的表皮生长因子受体突变，利于指导患者个体化治疗。

微创手术在脊柱手术中的比例越来越大，其中经皮椎间孔镜下髓核摘除术(PETD)是一个非常经典的术式，有手术效果好、创伤小、术后恢复快等优点，但其学习时间长，学习难度大，阻碍了微创手术在基层医院的开展。一项基于深度学习的回顾性研究[41]建立了L5～S1节段PETD的预测系统，为每个特定的PETD病例提供了精确的椎间孔成形术模拟，能预测手术难度，降低了套管放置不当等手术风险的发生概率，缩短手术时间，减轻患者痛苦。此外，有研究[42]发现，人工神经网络可以较为轻松的为患者设计定制椎弓根螺钉固定置入物，达到精准治疗的目标。

4、总结和展望

随着技术的发展，人工神经网络在脊柱外科领域的研究会越来越广泛，越来越深入。其优势在于能够提高医师对脊柱疾病的早期诊断、预后预测、图像分析研究的效率和准确性，实现精准治疗、降低费用。近年人工神经网络在脊柱外科领域的相关文献数量增长速度越来越快。除在临床方面的应用外，人工神经网络还能够在培养年轻脊柱医师手术技术[43]、开发小鼠标准化病例模型[44]、提高脊柱疾病全球研究水平[45]等方面对脊柱外科的发展起到帮助作用。

但目前人工神经网络研究存在着一些问题，一方面是前瞻性研究很少，缺乏真实临床环境中的测试，难以察觉模拟环境中的一些不良影响，具有很高的偏倚风险。Nagendran et al[46]对深度学习在图像分析中的研究进行了系统分析，发现在此领域几乎没有前瞻性的随机试验。因此，人工神经网络最终在临床上进行规模应用仍需要进一步的研究。另一方面，人工神经网络研究有时会出现研究结论与过去文献结论互相矛盾的问题[39],但由于人工神经网络的判断过程无法被目前技术所解释，其结论的可靠性需要仔细斟酌。我们相信，随着研究的深入，将会出现更高质量和可重复性的神经网络模型，人工神经网络将不仅用于重复性工作，更将帮助医师查漏补缺，提醒医师注意到一些细节问题，提高医师的整体诊疗能力。在我国医疗资源不平衡的现状下，发展人工神经网络将减少地区间医疗水平差异，该技术将得到更广泛的应用。

参考文献:

[17]段硕,崔维,张舵,等.神经网络模型自动分割测量颈椎MRI椎间盘及深层伸肌面积的可行性研究[J].中国脊柱脊髓杂志,2021,31(9):833-840.

基金资助:国家自然科学基金(编号:81772362);黑龙江省科技厅杰出青年基金(编号:JQ2020H003);

文章来源:何伟焘,陈德春,王新涛.人工神经网络在脊柱外科中的应用进展[J].临床骨科杂志,2024,27(02):289-293.