基于深度学习的腰椎稳定性自动诊断工具的研发及验证

作者：胡厚民; 王贤帝; 杨恒; 张劲; 李康^*; 曾建成^*

来源：中国修复重建外科杂志, 2023, 37(01): 81-90.

• 人工智能
• 医学图像处理
• 关键点定位
• 腰椎不稳
• 辅助诊断

目的 基于深度学习研发腰椎稳定性自动诊断工具，并验证其诊断精度。方法 收集153例腰椎疾病患者术前腰椎过屈、过伸位X线片，由3名骨科医师标注5个关键点，分别为L4后下角、前下角以及L5后上角、前上角、后下角，共获得3套标注结果。将306张腰椎X线片按照3∶1∶2比例随机分为训练集(n=156)、验证集(n=50)和测试集(n=100)。提出一种新的神经网络结构Swin-PGNet，使用已标注的X线片图像对其进行训练，使其能自动定位腰椎椎体关键点，并通过关键点测算L4、5椎间Cobb角和L4椎体滑移距离。对于关键点定位、Cobb角测量和椎体滑移距离测量，以平均误差、组内相关系数(intra-class correlation coefficient,ICC)比较医师标注与Swin-PGNet之间的差异。椎间Cobb角变化超过11°作为腰椎不稳判断标准，腰椎滑移距离超过3 mm作为腰椎滑脱判断标准，比较医师和Swin-PGNet判断腰椎稳定性的准确率。结果 (1) Swin-PGNet关键点定位平均误差为(1.407±0.939)mm，医师间平均误差为(3.034±2.612)mm。(2) Cobb角标注：Swin-PGNet平均误差为(2.062±1.352)°，医师间平均误差为(3.580±2.338)°；Swin-PGNet与3名医师间误差比较，差异均无统计学意义(P>0.05)，但不同医师间误差比较差异有统计学意义(P<0.05)。(3)椎体滑移距离：Swin-PGNet平均误差为(1.656±0.878)mm，医师标注平均误差为(1.884±1.612)mm;Swin-PGNet与3名医师间误差比较以及不同医师间误差比较，差异均无统计学意义(P>0.05)。Swin-PGNet腰椎不稳判断准确率为84.0%、医师为75.3%，腰椎滑脱判断准确率分别为71.3%、70.7%,Swin-PGNet与3名医师间误差比较以及不同医师间误差比较，差异均无统计学意义(P>0.05)。(4)腰椎稳定性判定一致性分析：3名医师标注椎间Cobb角的ICC为0.913 [95%CI(0.898,0.934)](P<0.05)，椎体滑移距离为0.741 [95%CI(0.729,0.796)](P<0.05)，说明3名医师间标注具有一致性。SwinPGNet-所有医师间椎间Cobb角ICC为0.922 [95%CI(0.891,0.938)](P<0.05)，椎体滑移距离为0.748 [95%CI(0.726,0.783)](P<0.05)，说明Swin-PGNet与医师标注具有一致性。结论 基于深度学习构建的腰椎稳定性自动诊断工具Swin-PGNet实现了腰椎不稳与滑脱的准确、便捷自动识别，可辅助临床进行诊断。

• 单位
  四川大学华西医院; 四川大学