Page 108 - 临床诊疗与护理

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

较好的效果。Aubert 等提出了一种基于卷积神经网络重建脊柱 3D 模型的方法，
使用 68 张无症状受试者和 AIS 患者的双平面 X 线片对该系统性能进行评估，结
果显示主要脊柱参数平均绝对误差在 2.8° ~4.7°，骨盆参数的平均绝对误差在

1° ~2.1°，与多专家监督重建的模型相比，该系统 89% 的自动化测量值在专家
的置信区间内。这一结论为脊柱智能建模在临床的应用提供了一条参考路径。
林泽宇等构建的腰椎三维模型智能重建系统与人工建模方法相比，该系统精
确度较高且未对有限元分析结果产生影响，同时该系统具有录制与回放功能，可

根据使用者不同的工作需求随时调整案例参数，满足了大多数简单重复的工作需
求，逻辑清晰，节省了调配软件功能的时间，初学者也可以很快掌握。目前 3D
打印技术已不鲜见，将其与脊柱有限元模型重建技术结合，得到的脊柱实体模型，

与数字化模型在形态、尺寸上完全一致，不仅可用于术前宣教和模拟手术过程，
也能作为脊柱外科手术学习培训的操作平台，随着相关技术的成熟和医学教育平
台规模不断扩大，未来会惠及更多医学院校的学生和基层医院的医生。
（三）辅助自动分级分型
个性化治疗是未来脊柱外科领域的发展趋势之一，而同一疾病之于不同患

者表现出的异质性是推动个性化治疗的重要驱动因素。因此，优化疾病分级分
型将有助于满足个体治疗需求，最大化治疗效益。Niemeyer 等对椎间盘退变的
Pfirrmann 分级法进行改良，在每个等级之间加入 0.3 和 0.7 的过渡等级（即该方

案中有效等级为 1.0、1.3、1.7、2.0、2.3、2.7……5.0），基于此提出一种可自动
识别和分级椎间盘退变的卷积神经网络分类器，研究人员建立起一个包含 1599
例患者（共计 7948 个椎间盘）的 MRIT2 加权像的大型训练数据集，在接受 100
个周期的训练后，该系统在 83% 的验证案例中表现出与人类专家完全一致的分
级结果，预测值和实际数值间的平均绝对误差仅有 0.08Pfirrmann 级，相关系数

为 0.960，该数据要优于 Urrutia、Jamaludin 等人报道的机器学习模型。这项研究
创新性地提出了基于椎间盘退变 Pfirrmann 改良分级的深度学习系统，对于发现
不易察觉的椎间盘微小变化，以及指导疾病风险管理和评估手术方案具有重要的

意义。
Ames 等应用基于 AI 的分层聚类技术，提出了一种新的成人脊柱畸形（adult
spinal deformity，ASD）分类方法，与 SRS-Schwab 分型相比，该方法不仅纳入
患者脊柱的放射 学参数，还包含一些重要的人口统计学因素和临床因素，如年龄、

96