先进的深度学习模型可自动执行 X 光分析，以实现更快、更准确的评估，从而改变脊柱健康诊断方式。这项研究甚至能够处理复杂的病例，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。
“尽管脊骨髓对齐分析提供了前景光明的见解，但目前的研究依赖于相对较小的患者队列。自动标注可以分析更大的队列，从而更好地了解和更清晰地识别现有趋势。基于 AI 的方法可以补充人类评级员，以提高评估的一致性，” ETH Zurich 生物力学研究所的博士生 Moritz Jokeit 说。
重塑脊柱诊断
作为最常见的脊柱疾病，美国约有 7M 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。
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 A6000 GPU 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。
请联系 相应的作者 ，请求获取研究中使用的代码。
阅读研究报告：在双平面 X 光片上进行解剖特征点检测，以预测脊骨细胞参数。
申请现已开放 经认证的学术机构的全职教师使用 NVIDIA 技术来处理大规模数据集、训练图形神经网络，并加速数据分析、机器人、6G、联邦学习和智能空间等领域的项目。
