2024人工智能在脊柱外科中的研究与应用进展.docx

2024人工智能在脊柱外科中的研究与应用进展自1956年达特茅斯会议上正式提出人工智能之初，医学便成为探索人工智能应用的主要领域之一。近十余年伴随算力的大幅度提高，深度学习算法的出现，以及数据量的爆炸式增长，人工智能在医学领域发表的论文数量呈指数量级增长（图1）。2022年11月30日，OpenAI发布了ChatGPT,其优秀的自然语言理解和生成能力进一步提供了人工智能在医学领域应用前景的巨大想象空间。本文就2023年人工智能在脊柱外科中的研究与应用进展进行盘点。PUbMed数据库人工智能论文增长趋势图1数据来源为PubMed我们在PubMed上以"artificialintelligence","machineIearningVdeeplearning''computerVisionTneuraInetwork”以及"spine","spinal",nCervicaIVertebraeVThoracicVertebraenZzLumbarVertebraenl"Sacrum","Coccyx"：InterVertebraIDiSC等关键词进行检索,时间限定为2023年，共获得857篇文章，经人工筛选后纳入426篇相关文章，其中OriginalResearch345本次盘点主要侧重于新的机器学习尤其是深度学习技术的开发以及在脊柱外科应用的原创性研究。文献与计量分析应用VOSviewerI.6.20对文献关键词进行共现与聚类分析（图2）。从方法学角度看，机器学习和深度学习频次最高，其算法仍然是研究的热点，而回顾性研究依然是最主要的临床研究设计方式。从研究的数据模态看，影像学数据为主流，其次是临床特征数据。影像学数据中主要为MRI和CT数据,其次是X线图像。从研究的解剖部位看，除脊柱整体外，腰椎研究最多，其次为颈椎研究。研究最多的五种疾病依次为骨质疏松、脊柱侧弯、脊柱骨折、脊髓损伤以及成人脊柱畸形。疾病的治疗结局/预后、生活质量、手术和诊断为人工智能的主要研究内容。算法或预测模型为人工智能研究的主要研究结果。图2文献关键词的可视化共现网络论文最多的前五位国家分别为中国（92篇，包括中国台湾6篇）、美国（92篇）、德国（27篇）、韩国（25篇）、日本（24篇）。我国在该领域发文量和美国持平，平均被引用次数为0.62,稍低于美国（0.91）,提示我国脊柱外科的研究者在人工智能方向的研究与美国的差距虽然不大，但研究质量仍有进一步提升的空间（图3）。得益于我国庞大的人群数量,一方面在可用于训练和测试的数据体量上有天然的优势，另一方面在研究转化上有广阔的应用市场和前景。图32023年度中国及其他国家人工智能与脊柱外科发表文献数量情况发表论文数量前五的杂志分别为Spine（19篇）、EuropeanSpineJournal（19篇）、TheSpineJournal（17篇）、GlobalSpineJournal（16篇）、WorldNeurosurgery（10篇）以及Diagnostics（10篇）（图4）。图42023年度主要杂志发表人工智能与脊柱外科相关文献数量情况有7篇论文发表在影响因子高于10分的杂志（图5）。本文将基于脊柱外科专业相关的高影响力期刊论文,结合应用场景和模型功能的角度对文献进行盘点。图52023年度人工智能与脊柱外科相关高显示度文献分类任务模型分类任务是人工智能模型进行决策的基础，目前在脊柱外科的诊疗研究中应用最为广泛，其一般应用场景包括术前的诊断、分型.手术评估，术中决策，术后结局及并发症的预测，以及风险因素评估等。在纳入的研究中，分类模型的开发仍然占据主流，并在算法和应用上不断创新。Tavana等在MedImageAnal上发表了一篇关于自动分型的文章,比较了深度学习和传统机器方法在脊柱侧弯的分类中的应用。该研究采集了IOoO张脊柱正位X线图像，并将图像标记为C型和S型脊柱侧弯。然后比较KNNsSVM以及包含预训练权重的Xception和mobilenetV2联合SVM模型进行训练。结果提示通过自动特征提取、以SVM作为最终激活函数的预训练Xception和mobilenetV2网络比经典的脊柱曲率类型分类机器学习方法表现更好。ArtificialIntelligenceReviewhttp$7/doi.org/10.1007s10462-023-1048Q-woUp(faMClassificationofspinalcurvaturetypesusingradiographyimages:deeplearningversusclassicalmethodsParisaTavana10MahdiAkraminia21-AbbasKoochari1CAbolfazlBagherifard3©TheAutboc(三),underexclusivelicencetoSpringerNatureB.V.2023尽管在当前医学研究中，绝大部分深度学习模型需要输入医学影像进行诊断，但随着计算机视觉技术的不断进步，通过自然图像诊断疾病逐渐成为可能。TengZhang等在JAMANetworkOpen上发表了团队通过自然图像完成脊柱侧弯诊断的研究成果。研究应用背部照片进行模型训练及测试，测试集受试者工作特征曲线下面积(AUC)为0.839,并且能够很好地区分胸段、胸腰段、腰段及混合型侧弯，与两名医生相比在识别侧弯严重程度和曲度类型上具有更高的灵敏度。在识别侧弯曲度是否有进展的测试中，模型敏感性和阴性预测值与高年资医师水平相当，优于年轻医师。因此，该模型有潜力进行院外和无辐射的儿童脊柱侧弯管理，其性能与有经验的脊柱外科医生相当。N三Open.0ri11lInvestifJtionIPediJtricsDeepLearningModeltoClassifyandMonitorIdiopathicScoliosisinAdolescentsUsingaSingleSmartphonePhotographPO.MBMLCuZu.PhD.YonckangZhio.MEng,MannZhMEng1ZMuoWang,MEng；RuoningSor<MEng.N4nPhaAfaiuSUI.MD.AshwhOwan.PO.MO；JunLju.PD.MEf<JasonP.Y.Cheung.MB8S.MS.MO目标检测与分割模型目标的检测与自动分割在执行特定的任务中均扮演重要的角色。检测模型可识别病灶位置，在分类任务中能够显著提高模型的性能，在手术场景下能够帮助手术医师快速识别病灶或重要的解剖位置（如血管、神经等）。在脊柱外科的研究中，目标检测更多作为一项复杂任务的中间步骤，如影像学分类前的自动框选，或者自动识别特定的解剖关键点，通过关键点的位置进行后续的研究。AlexeyZakharov等发表在MedicalImageAnalysis上的研究，介绍其如何通过关键点检测获得的位置信息测量椎体高度,进而推算其骨折分型，整个预测算法的ROC曲线下面积0.95,并且能够在不进行任何训练或微调的情况下，在公开数据集上评估了椎体检测模型，并证明了方法的普遍适用性。MrdiraltenatrS3(2023)102M6ContentslistsavailableatScienceDirectMedicalImageAnalysisjournalhomepage:1o0rteInte>retable vertebral fracture quantification via anchor-free landmarks localizationAlexey ZakharovTj, Maxim PisovAlim Bukharaev'1, Alexey Petraikind,Sergey Morozovr, Victor Gombolevskiy 19 Mikhail Belyaev ae UK U LH Mwwr. ftamM feSUftmv MaNMr SdrnceMMnMv. Amum,JChwtmfA wmuw r AvmM> TbMMKaMa AvMnv. MMrmr, Ahum-ftrNr Srf nworf (Iittral CMMr ftr Dwnct GI Tdmim m*a < r MMnRr lab Sr Dtpmnmt AmjM gwM. Ur. Mw,>VtkW Mtt<nrr Rmtc wme. Mmmt. RuMbl分割模型则更进一步，能够提供更加精确的位置信息，从而可以执行更 为复杂的任务。随着计算机视觉技术的进步，分割算法趋于成熟，但分 割在脊柱外科的应用仍在不断创新。Ting Sun等在mediaNeUro-OnCology上发表研究，该研究基于U-Net架构，开发并训练髓内肿瘤的自动分割算法，并分别连接三个二分类模型，其作用是分别预测肿瘤总生存期是否大于1年、3年或5年，从而达到肿瘤预后的MRI全自动化评估。其得到的模型在1年、3年和5年的准确率分别为86.0%、84.0%和88.0%,AUCO.881、0.862和0.905。整个模型实际实现了总生存期的4个分类的预测（小于1年、1-3年、3-5年和5年以上），其准确率为75.3%oNeuro-Oncology25(61.1157-1165,20231https7do.org10.1093nouoncnoac2801AdvanceAccessdate23December2022Deeplearningbasedonpreoperativemagneticresonance(MR)imagesimprovesthepredictivepowerofsurvivalmodelsinprimaryspinalcordastrocytomasTingSuntfYbngzhiWangLXingLiu,ZhaohuiLi,JiZhangfJingLu,LiyingQuvSvnHallrfYunyunDuanrZhizhngZhuo4DanChngfXiaoluXufWnqingJi“andYaouLiu(panmnfofRadiology,BeijingTi9ntnHspit9.C拆WMedulnrvwrsf½1OC07O,Chin9fTS,J.Z.tJL1.Q.,YD.ZZ.D.C.,XX,YL.;DepartmentofNeurosurQry,BeijingTiantanCpit9MedicalUniveffrty,BcijingIOoo70,Chinn(YW.,W.J.);DepartmentofPsthology.BcijingTi9ntaHotpitakSpHMMedicalUnivoBty.Boing100070.Chiz(XL):Dep11mctofM9chin0learning.BioMindlnc.,Beijing.100070fChins(Z,L)：DepartmentofRaCMogyBeijingRenheHospital.BeijingW2C00,China(JZ):DepartmentofRdiolog,ThirdMedicalCenterofChnsPtAGnrjHomMBg100069tChinJl(J.L);D9prtmentofImaging»ndMdicInformatics,UniversttyHospitalsofGenevean