基于深度学习从正中矢状位T2加权MRI预测椎管狭窄
本研究回顾性纳入单中心2007年1月至2022年12月颈椎MRI患者,建立8676例退行性颈髓病队列,用Kang分级标注椎管狭窄,训练ResNet50、VGG16、MobileNetV3和EfficientNetV2并构建集成模型。集成模型在测试集AUC为0.96(95%CI 0.94-0.97),准确率0.875、敏感度0.885、特异度0.861,Grad-CAM显示模型可定位椎间盘突出、脑脊液间隙消失和脊髓T2高信号等征象。
要点
- 集成模型从正中矢状位T2加权MRI预测椎管狭窄的AUC为0.96(95%CI 0.94-0.97)。
- 模型敏感度0.885、特异度0.861、准确率0.875,阳性预测值0.893、阴性预测值0.851。
- Grad-CAM显示模型关注椎间盘突出、脑脊液间隙消失和脊髓T2高信号等狭窄相关征象。
核心结论
- 研究建立了大型退行性颈髓病队列并成功开发从正中矢状位T2加权MRI预测颈椎管狭窄的深度学习模型,集成模型整体性能最佳,但建议仔细检查各模型输出以评估可解释性。
研究设计与样本
- 回顾性单中心研究,数据来自2007年1月至2022年12月接受颈椎MRI的患者,最终7645例纳入建模(训练集6880例、测试集765例),采用Kang四级分级作为参考标准,将Kang 2-3级定义为狭窄阳性、0-1级为阴性。
- 训练ResNet50、VGG16、MobileNetV3和EfficientNetV2四种架构,采用三折交叉验证,选取测试集AUC最大的模型构建集成模型,并用Grad-CAM进行定性评估。
关键影像表现/征象
- Grad-CAM显示模型能有效识别提示颈椎管狭窄和脊髓病的影像学征象,包括椎间盘突出、脑脊液间隙消失和脊髓T2信号增高。
- 在假阴性病例中,模型关注最可能发现异常的区域,但脊髓受压程度轻微且椎管内脑脊液空间充足可能造成混淆。
- 在假阳性病例中,模型可能基于C3-5严重进展的颈椎病表现产生较大输出。
诊断标准与关键数值
- 参考标准为Kang分级:0-1级为狭窄阴性,2-3级为狭窄阳性;Kang分级观察者间ICC为0.74(范围0.72-0.80),观察者内ICC为0.77(0.68-0.81),二分类(0-1级 vs 2-3级)一致率0.81-0.85、Cohen kappa 0.57-0.66。
- 集成模型在测试集AUC为0.96(95%CI 0.94-0.97),准确率0.875(95%CI 0.851-0.898),敏感度0.885(95%CI 0.855-0.915),特异度0.861(95%CI 0.824-0.898),阳性预测值0.893(95%CI 0.864-0.922),阴性预测值0.851(95%CI 0.813-0.889),决策阈值0.5。
临床应用与阅片要点
- 作者建议采用综合方法考虑各模型输出,而非仅依赖单一模型,以全面评估异常发现和可解释性。
- 模型可定位椎间盘突出、脑脊液间隙消失和脊髓T2高信号等狭窄相关征象,可能指导临床医生。
局限性
- 队列存在选择偏倚,数据回顾性收集自三级医院接受颈椎MRI的患者,狭窄患病率为59.0%,远高于普通人群的不足0.1%,可能导致模型对阳性发现过度敏感、假阳性率升高。
- 仅选取三个矢状位图像作为输入可能丢失信息,可能降低对非正中矢状面起源的狭窄阳性病例(如椎间盘旁中央突出和椎管不对称畸形)的敏感度,导致部分假阴性预测。
- 需在大规模多中心队列上训练和验证模型以最小化数据泄漏可能并进一步提高泛化性,外部机构建立的外部集留待未来工作。
全文中译9 节 · 点击展开
引言
退行性颈椎脊髓病(DCM)是与年龄相关的颈椎疾病的总称,包括颈椎病性脊髓病和后纵韧带骨化(OPLL)[1–3]。DCM 的临床意义在于其广泛患病率以及导致神经功能损害的潜在可能,包括运动无力、感觉缺损和步态障碍,可影响日常功能和生活质量 [1, 2]。该病通常需要手术干预和广泛康复以缓解症状并防止神经功能进一步下降 [1–4]。
DCM 通常通过识别颈椎 MRI 中的颈椎管狭窄(CCS)来诊断。Kang 等提出了一种四级分级系统,基于蛛网膜下腔闭塞程度和脊髓受压程度,从矢状位 T2 加权图像评估 CCS,报告观察者间一致性良好至优秀(组内相关系数 [ICC],0.74;范围 0.72–0.80),观察者内一致性为 0.77(0.68–0.81)[5, 6]。CCS 二分类(0–1 级 vs. 2–3 级)的一致性范围为 0.81 至 0.85,Cohen's kappa 范围为 0.57 至 0.66,并已证明此类分组方法与神经症状的存在相关,kappa 为 0.81(0.70–0.92)[7]。
以深度学习(DL)为代表的计算机视觉任务的最新进展,通过缩短诊断时间和提高一致性,显著增强了放射学诊断流程,并且将 DL 应用于从颈椎获取的生物医学图像(包括 X 线、MRI 和内镜)也日益受到关注 [8–15]。然而,该研究领域仍处于起步阶段,仍存在若干关键挑战。首先,用于训练模型的队列相对较小,从数十人到几百人不等,本质上限制了泛化能力。为解决这一问题,初步研究不可避免地倾向于从单个患者中提取多张图像 [12, 13]。此外,大多数是应用单一架构的初步研究,尽管有大量新型模型可用,因而未能充分展示 DL 的全部潜力 [10–12]。
我们旨在建立一个比初步研究中探索的队列大五至十倍的队列,并探索仅从矢状位 T2 加权 MRI 图像稳健预测 CCS 的 DL 模型,这一主题此前在文献中尚未得到充分确立。我们试验了多种架构,以对其特性进行更系统的比较。此外,采用梯度加权类激活映射(Grad-CAM)技术评估每个模型的可解释性 [16]。
材料与方法
患者选择
在获得机构审查委员会(IRB)批准并授予知情同意豁免(IRB编号:H-2402–077–1512)后,回顾性收集了2007年1月至2022年12月期间在一家三级医疗医院单一机构连续接受颈椎MRI检查的患者的匿名数据。在已识别的患者中,排除了MRI前有颈椎手术史的患者,以及被诊断为影响骨骼和脊髓的非退行性疾病(包括感染、创伤、肿瘤和畸形)的患者。为标准化MRI的空间分辨率,排除了无3 mm层厚T2加权矢状面MRI扫描的患者。
数据采集
使用Pydicom(版本2.4.4)从原始DICOM文件中提取MRI仪器名称、制造商、研究方案和像素数据。尽管患者数据收集于单一机构,但研究规格有所不同,因为数据集包含在本机构以外执行但因临床目的注册到数据库的研究。回波时间(TE)和重复时间(TR)的均值与标准差分别为112 ± 15 ms和3360 ± 710 ms,原始MRI图像的矩阵大小大多为512 × 512。从每位患者中手动采集三张围绕正中矢状面附近的颈椎非增强T2加权矢状面切片:正中矢状面切片和一对相邻切片。每张灰度图像分别指定到红色、绿色和蓝色通道并进行通道合并,以便输入可被预训练图像分类模型接受。然后对合并图像进行手动裁剪并调整大小为224 × 112 × 3的形状,使感兴趣区域最佳捕获七节颈椎的椎体和棘突。为提高泛化性,我们未应用任何其他像素级修改,如亮度和对比度调整。整个图像预处理过程使用OpenCV-Python库(版本4.9.0)完成。
CCS的地面真实标签由一位在脊柱手术方面具有5年以上经验的脊柱专家使用Kang分级[6]从T2加权MRI图像中获得。在本研究中,每个病例以二分类方式标注,其中Kang分级2–3的患者被指定为CCS阳性类,Kang分级0–1的患者被分配为CCS阴性类,因为Kang分级2或更高表明脊髓的实际压迫,需要手术干预[5–7]。
进行了比较训练集和测试集之间分布的统计分析。连续变量使用独立t检验分析,而分类变量使用χ2检验比较。在本研究中,p值低于0.05表示统计学显著性,分析使用SciPy(版本1.13.0)和Statsmodels(版本0.14.2)进行。
模型训练与评估
该队列被随机分为训练集和测试集,分别包含90%和10%的病例,训练集进一步分为三个亚组以进行三折交叉验证。在每一折中,来自两个亚组的图像通过数据增强扩增三次,数据增强包括−10至+10°的随机旋转和−10至+10%的随机缩放。这些流程在实践中被广泛接受,因为它们通过减轻有限数据集带来的潜在偏倚来促进泛化能力。剩余亚组用于内部验证,每个epoch均进行内部验证,测试集在每个模型架构中仅使用一次,以在最终阶段衡量模型性能。
我们对一些ImageNet预训练的CNN模型应用了迁移学习,包括ResNet50、VGG16、MobileNetV3和EfficientNetV2 [17–20]。修改最终层以适用于二分类,并通过从后到前依次解冻模型对预训练层进行微调。通过在实践普遍接受的搜索空间内进行随机搜索,确定了在测试集上获得最大受试者工作特征曲线下面积(AUC)的超参数集。最后,我们提出了一种集成模型,其输出确定为来自四种不同架构中各自表现最佳模型的输出概率的平均值。
在测试集上使用多种指标评估分类器性能。具体而言,AUC作为我们的主要结局指标,辅助指标如准确率、敏感度、特异度、阳性预测值(PPV)和阴性预测值(NPV)通过使用0.5决策阈值生成的混淆矩阵获得。此外,我们采用Grad-CAM技术定性评估可解释性 [16]。最后,我们通过使用年龄、性别以及来自四种深度学习模型(ResNet50、VGG16、MobileNetV3和EfficientNetV2)各自的输出概率训练逻辑回归模型,评估了人口学特征的影响。然后我们将它们在测试集上的AUC与集成模型的AUC进行比较。
整个过程使用TensorFlow(版本2.13.0)和Scikit-learn(版本1.4.2)在一台配备Intel(R) Core(TM) i9-14900KF CPU、NVIDIA RTX 4090 24GB显卡和64GB DDR5内存的计算机上完成。
结果
患者特征
在总共8676例患者中,559例有既往颈椎手术史,366例被确定为影响骨和脊髓的非退行性疾病,包括肿瘤(n = 111)、创伤(n = 107)、畸形(n = 37)、脊柱关节病(n = 32)、感染(n = 26)、血液系统疾病(n = 15)以及其他占少数的疾病(n = 38)。无层厚3 mm矢状位T2 MRI的患者(n = 106)被进一步排除。因此,7645例个体(每例均有一次MRI扫描)符合开发DL模型的条件,并被随机分为分别包含6880例和765例的训练集和测试集。患者选择流程如图1所示。
表1总结了对患者队列人口统计学特征进行统计分析的结果。我们发现,训练集和测试集在年龄(56.0 ± 14.3岁 vs. 56.5 ± 14.4岁;p = 0.42)、性别(50.6%男性 vs. 50.5%男性;p = 0.98)以及真实标签分布(59.3%阳性 vs. 56.7%阳性;p = 0.18)方面无差异证据。CCS阳性组年龄(60.0 ± 12.7岁)大于CCS阴性组(50.6 ± 15.7岁)(p < 0.001),且男性患者更多(57.4%男性 vs. 40.7%男性;p < 0.001)。
模型性能
ResNet50、VGG16、MobileNetV3、EfficientNetV2和集成模型的受试者工作特征曲线及性能指标见图2和表2。集成模型获得了最大的AUC(0.96;95% CI 0.94–0.97),准确度为0.875(95% CI 0.851–0.898),敏感度为0.885(95% CI 0.855–0.915),特异度为0.861(95% CI 0.824–0.898),PPV为0.893(95% CI 0.864–0.922),NPV为0.851(95% CI 0.813–0.889),其中各值来源于图3所示的混淆矩阵。
Grad-CAM分析
对测试集样本进行Grad-CAM分析以评估模型的可解释性。图4列出了深度学习(DL)模型产生正确结果的CCS阴性和CCS阳性患者的几个代表性病例。图5提供了最能突出模型稳健性的测试样本,图6展示了集成模型产生错误预测的几个实例。在每个病例中,每个模型均将表示梯度激活相对幅度的热图与输入图像重叠。应注意,模型更倾向于关注颜色较暖的区域而非其他区域。
总体而言,DL模型有效识别了提示CCS和脊髓病的放射学表现,包括椎间盘膨出、脑脊液(CSF)间隙消失以及脊髓T2信号强度增高。即使在模型产生错误预测的困难病例中(如图6所列),它们也关注了最有可能发现异常的区域。Grad-CAM结果的进一步解释和意义在“讨论”部分中阐述。
人口学特征对性能的影响
旨在评估人口学特征对模型性能影响的消融研究结果总结于表3。尽管CCS阳性和CCS阴性组之间年龄和性别分布存在统计学显著差异,但纳入年龄和性别后未观察到测试AUC改善的证据。
讨论
尽管DCM具有临床意义,且DL在放射学中日益普及,但关于预测CCS任务的大队列研究以及DL架构之间的广泛比较尚未在文献中得到充分探索。在本研究中,我们建立了一个包含8676例患者的大型DCM队列,用于训练多种DL模型,包括ResNet50、VGG16、MobileNetV3和EfficientNetV2。集成模型获得了最佳AUC,为0.96。Grad-CAM分析显示,训练后的模型始终表现出敏感的特征检测能力,并且彼此之间具有一致性。
本研究使用的患者队列显著大于先前用于开发预测DCM的DL模型的初步研究,因为大多数队列几乎不超过1000例患者[10–13]。由于这一数量不适合训练深度学习模型(深度学习模型至少需要数万个数据点),大多数初步研究被迫对同一患者的输入进行过采样,使数据集高度冗余。然而,在本研究中,我们能够利用丰富的数据并实现最先进的AUC和泛化能力,较先前研究有相当程度的改善,其中一项研究报告使用轴位T2 MRI的AUC为0.94[12]。
此外,与既往研究不同,我们尝试了多种深度学习(DL)架构,以全面理解不同模型的行为。总体而言,它们表现出一致性和相似水平的性能,如图4a和图4b所示,展示了代表性的无颈髓压迫(CCS)和有颈髓压迫病例。然而,在某些样本中可解释性存在差异,凸显了模型多样性的必要性。图5a显示C3-4和C6-7多处CCS,ResNet50和VGG16的类激活图(CAM)分布模糊,而MobileNetV3和EfficientNetV2的CAM则分别聚焦于受累节段。这导致集成模型呈现双峰热图,从而说明了集成模型的互补性和重要性。
图5b显示由后纵韧带骨化(OPLL)累及C2-4引起的弥漫性CCS。所有模型均成功定位脊髓压迫节段,但CAM略有差异。VGG16、MobileNetV3和集成模型产生的热图以硬膜囊为中心,但有趣的是,EfficientNetV2精确指出了致病病灶。因此,训练单一DL架构可能不足以明确输入中存在的所有异常发现,建议采取综合考虑各模型输出的全面方法,而非仅依赖单一模型。
图5c展示一名C3-6 T2高信号但无明确脊髓压迫证据的患者。各模型的输出概率范围为0.20至0.59,表明模型间存在争议。Grad-CAM分析提示脊髓信号异常可能提高了一些模型的输出。因此,DL模型能够从输入图像中捕捉可能具有问题的特征。
图6a展示了一个产生假阴性输出的样本。模型通常不难定位CCS可能性最大的区域。然而,脊髓压迹程度轻微以及椎管内脑脊液(CSF)空间充足可能导致了混淆。图6b是一个产生假阳性预测的测试样本。在图6b中,模型可能基于C3-5的发现产生了较大的输出,该处可见严重进展的颈椎病。因此,可以推断,被错误分类的样本大多是困难病例,即使对专家而言,仅凭少数正中矢状面切片也难以判断,可能存在争议。然而,考虑到Grad-CAM分析,DL模型具有较高的可解释性,有可能为临床医生提供指导。
尽管我们的深度学习(DL)模型具有优势,但仍存在一些局限性,应在未来工作中加以解决。首先,我们的队列存在选择偏倚,因为数据是回顾性收集自在一家三级医院接受颈椎MRI的患者。因此,颈髓压迫(CCS)的患病率为59.0%,远高于一般人群的低于0.1% [1, 2]。这可能导致模型对阳性发现过于敏感,提高了假阳性率,但在临床背景下这应被视为有益,因为它可能有助于减少假阴性错误。为尽量减少数据泄漏的可能性并进一步提高泛化性,有必要在大型多中心队列上训练和验证模型。在独立医疗机构建立的外部集可用于促进对模型更具有泛化性的评估,这留待未来工作。
我们研究的另一个不足是,仅从每位患者选择三幅矢状位图像作为输入不可避免地造成信息丢失。采用这种方法是为了便于预训练模型的迁移学习,这些模型通常接受三通道输入。然而,这可能降低了识别CCS阳性病例的敏感性,而这些病例的病因并非源于正中矢状面通常观察不到的侧方结构,例如椎间盘旁中央膨出和椎管不对称畸形。这可能导致一些假阴性预测。未来工作应深入探索利用三维卷积层结合多模态或多通道输入的新型架构 [21–23]。
总之,我们建立了一个大型DCM队列,并成功开发了从正中矢状位T2加权MRI切面预测CCS的DL模型。通过广泛分析,我们确认集成模型可获得最佳总体性能,但建议仔细检查每个模型的输出,以有效评估可解释性。
引用
- Rhee W, Park SC, Kim H, et al. Deep learning-based prediction of cervical canal stenosis from mid-sagittal T2-weighted MRI. Skeletal Radiol. 2025. PMID: 40152984. doi:10.1007/s00256-025-04917-2
- 全文:PMC12361303(PMC 开放获取,CC BY)https://pmc.ncbi.nlm.nih.gov/articles/PMC12361303/
供执业医师工作参考,不替代临床判断;数值与分级以指南原文为准。