Page 106 - 临床诊疗与护理

临床诊疗与护理
Clinical Diagnosis, Treatment, and Nursing

MRI、CT 等进行诊断。在大数据时代，医学图像信息以指数级的速度产生，加
之不同层次医生的学历背景和经验阅历参差不齐，导致脊柱疾病存在漏诊误诊的
情况。而 AI 卓越的识别和处理图像的能力正是医疗大数据分析所急需的。AI 在

医学影像处理与分析中的应用主要集中在两个方面。
一是脊柱结构的自动识别和参数测量。AI 通过捕捉患者影像资料的生理及
病理特征信息，对器官和组织进行定位、分割，并标注出可疑部位，从而帮助医
生排除干扰因素快速锁定病灶，以提高其阅片的准确性和效率。Cheng 等报道了

一种基于两层密集连接网络（Dense-U-Net）的深度学习算法，第一层使用 2D 密
集连接网络，通过高密度标记和 2D 切片检测椎体质心，对椎体进行定位，第二
层使用 3D 密集连接网络在基于质心识别的可疑区域内分割特定椎体，最后回归

到原始分辨率上，将每个节段的椎体整合成完整的脊柱结构，研究者利用测试数
据集对该算法进行评估，在定位误差（1.69±0.78mm）、脊柱定位的检出率（100%）、
椎体分割的骰子系数（0.953±0.014）、交点比线（0.911±0.025）、Hausdorff
距离（4.013±2.128mm）以及像素精度（0.998±0.001）等 6 个指标上均取得了
满意的结果。Chae 等提出一种利用分散式卷积神经网络模型自动精确测量脊柱

骨盆参数的方法，测量参数包含腰椎前凸角、腰骶角、骨盆投射角、骨盆倾斜角
和骶骨倾斜角，结果显示该模型表现出与经验丰富的外科医生人工标注测量参数
值近乎一致的水准，并且，与现有的其他几种回归式卷积神经网络模型相比，该

模型测量值的平均误差更小。
二是计算机辅助诊断（computer -aided diagnosis，CAD）。应用于脊柱疾
病筛查和分级分类，通过对神经网络模型进行特定的数据集学习和训练，实现
对病变部位的精准识别，从而降低临床漏诊、误诊的概率。Rosenberg 等比较
了两种可自动检测矢状位 X 线片上胸腰椎创伤性骨折的深度卷积神经网络模型

（ResNet18 和 VGG16），采用 AO 脊柱骨折分型作为数据集纳入标准，测试结
果表明，与 VGG16 模型相比，ResNet18 模型在灵敏度（90%vs89%）、特异度
（89%vs83%）和准确度（88%vs86%）方面均表现出优异的性能。该模型基于 X

线片即可实现辅助诊断的特性，将会大大减轻个人和社会的医疗负担。
Hallinan 等建立了一种用于自动检测及分类腰椎管狭窄（lumbar spinal
stenosis，LSS）的深度学习模型，对 2015 年 9 月～ 2018 年 9 月在新加坡国立大
学医院接受腰椎 MRI 扫描的 446 例患者进行回顾，将其轴向 T2 加权图像和矢状

94