深度学习助力颈椎管狭窄预测：开辟精准医疗新路径

《Skeletal Radiology》：Deep learning-based prediction of cervical canal stenosis from mid-sagittal T2-weighted MRI

为解决退行性颈椎脊髓病（DCM）诊断中颈椎管狭窄（CCS）预测模型训练队列小、架构单一等问题，研究人员开展基于深度学习从矢状位 T2 加权 MRI 预测 CCS 的研究。结果显示集成模型 AUC 达 0.96 ，该研究为 DCM 诊断提供了更可靠的方法812。

　　在医学影像诊断领域，退行性颈椎脊髓病（DCM）如同一位 “隐匿的杀手”，悄然影响着众多患者的生活。DCM 是一类与年龄相关的颈椎疾病，涵盖颈椎间盘退变、后纵韧带骨化等多种病变 ，它不仅发病率高，还可能导致患者出现运动无力、感觉障碍和步态异常等神经功能损伤，严重影响日常活动和生活质量。目前，DCM 通常依靠颈椎 MRI 检查来发现颈椎管狭窄（CCS）进而确诊。然而，传统的诊断方式存在诸多挑战。一方面，用于训练预测 CCS 模型的患者队列规模较小，大多只有几十到几百人，这使得模型的通用性大打折扣；另一方面，多数研究仅采用单一的模型架构，无法充分发挥深度学习（DL）的强大潜力。因此，探索更有效的 CCS 预测方法迫在眉睫。

为攻克这些难题，来自首尔国立大学医院等机构的研究人员开展了一项极具意义的研究。他们旨在建立一个规模比以往大 5 - 10 倍的 DCM 患者队列，并开发基于矢状位 T2 加权 MRI 图像的深度学习模型，以精准预测 CCS。

研究人员在获得机构审查委员会（IRB）批准并豁免知情同意后，从 2007 年 1 月至 2022 年 12 月在一家三级医院回顾性收集了接受颈椎 MRI 检查患者的数据。经过层层筛选，排除了有颈椎手术史、非退行性疾病以及 MRI 扫描不符合标准的患者，最终 7645 名患者的数据被用于开发深度学习模型。

在研究过程中，研究人员运用了多种关键技术方法。首先，利用 Pydicom 从原始 DICOM 文件中提取 MRI 仪器信息、制造商、研究协议和像素数据 。然后，对图像进行预处理，将每个患者的 3 个矢状位 T2 加权图像手动收集、合并并裁剪调整大小 。此外，采用 Kang 分级系统对 CCS 进行标注 。最后，运用多种深度学习模型，如 ResNet50、VGG16、MobileNetV3 和 EfficientNetV2 ，通过迁移学习进行训练，并使用梯度加权类激活映射（Grad-CAM）技术评估模型的可解释性123。

研究结果主要体现在以下几个方面：

• 患者特征：研究共纳入 8676 名患者，最终 7645 名符合条件并被随机分为训练集（6880 例）和测试集（765 例）。训练集和测试集在年龄、性别和 CCS 标签分布上无显著差异 。而 CCS 阳性组年龄更大，男性比例更高45。
• 模型性能：集成模型表现最佳，AUC 达到 0.96，准确率为 0.875，敏感性为 0.885，特异性为 0.861 。其他模型如 ResNet50、VGG16、MobileNetV3 和 EfficientNetV2 也展现出了较高的性能67。
• Grad-CAM 分析：通过 Grad-CAM 分析发现，深度学习模型能够有效识别出与 CCS 和脊髓病相关的影像学特征，如椎间盘突出、脑脊液（CSF）间隙消失和脊髓 T2 信号增强 。即使在预测错误的病例中，模型也能关注到最可能出现异常的区域9。
• 人口统计学特征的影响：研究发现，纳入年龄和性别等人口统计学特征并没有提高测试 AUC1011。

研究结论和讨论部分指出，该研究建立了大规模的 DCM 患者队列，并成功开发了基于深度学习的 CCS 预测模型 。集成模型在整体性能上表现最佳，但为了更有效地评估模型的可解释性，建议仔细检查每个模型的输出 。此外，研究也存在一定的局限性，如队列存在选择偏倚，数据仅来自一家医院，且每个患者仅选择 3 个矢状位图像可能导致信息丢失 。未来的研究需要在大规模多中心队列中进行训练和验证，并探索新的模型架构 。

这项研究在医学领域意义重大，它为 DCM 的诊断提供了更精准、高效的方法，有望推动颈椎疾病的临床诊断和治疗迈向新的台阶，为患者带来更好的治疗效果和生活质量。