人工智能在肌肉骨骼影像中的应用:脊柱成像
这篇综述总结了人工智能在脊柱影像中的临床应用现状与前景。文章首先介绍AI基本概念,然后按放射学价值链系统梳理AI在患者选择、图像采集与重建、脊柱标注、分割、病变检测与分类等任务中的应用,并讨论未来挑战。
要点
- AI可自动完成脊柱标注、分割和常见病变检测,提升工作效率。
- 深度学习在椎体分割和转移瘤检测等任务中表现出较高准确性。
- AI在脊柱影像中的应用仍面临技术、法律和临床采纳等挑战。
核心结论
- AI技术有望对脊柱影像的放射学价值链产生颠覆性影响,涵盖从患者选择到报告生成的全流程。
- 监督学习仍是医学AI中最常用的机器学习方法,深度学习在图像分割和病变检测中表现突出。
- AI在脊柱影像中的临床应用已取得初步成果,但广泛落地仍需克服技术、法律和采纳方面的挑战。
研究设计与样本
- 本文为叙述性综述,旨在总结AI在脊柱影像中的应用现状与未来展望。
- 文章按放射学价值链框架组织内容,涵盖患者选择、图像采集处理、图像解读和临床转化等环节。
- 文献纳入范围未在节选中明确说明,未报告系统检索策略或样本量。
关键影像表现/征象
- 深度学习分割算法在脊柱CT和MRI中可实现平均Dice系数0.94的椎体分割准确性。
- AI算法检测脊椎转移瘤时,对溶骨性和成骨性病变的敏感度分别为0.8和0.92(病变最小体积1.4 mm³)。
- 深度学习模型鉴别结核性与化脓性脊柱炎的AUC为0.802,与三位专家读者合并AUC 0.729相比无显著差异。
- 在多发性硬化患者中,AI自动检测脊髓病灶的Dice相似度为95–98%。
- 基于CNN的算法在腰椎MRI上自动提取椎管狭窄等病理分类,初步结果与放射科医生报告准确性相当。
诊断标准与关键数值
- 脊柱分割准确性以Sorensen-Dice系数评估,平均0.94(最大值为1)。
- 转移瘤检测敏感度:溶骨性病变0.8,成骨性病变0.92,要求病变最小体积1.4 mm³。
- 结核性与化脓性脊柱炎鉴别的AUC:AI算法0.802,专家读者合并0.729,两者无显著差异。
- 脊髓多发性硬化病灶自动分割的Dice相似度为95–98%。
- 椎间盘中心定位误差距离为6.2 mm(与人类参考标准比较)。
临床应用与阅片要点
- AI可辅助脊柱标注和分割,减少人工操作时间,并支持后续定量分析。
- 在机会性骨质疏松筛查中,可利用常规CT或定位像数据估算骨密度。
- AI自动检测脊柱转移瘤和脊髓病灶时需注意病变最小体积要求(如1.4 mm³)对敏感度的影响。
- AI鉴别脊柱炎性病变的准确性可与专家读者相当,但需结合临床和实验室检查综合判断。
- 基于MRI生成合成CT图像可改善骶髂关节炎结构性骨病变的检测,可作为辅助手段。
局限性
- 本文为叙述性综述,未提供系统检索策略和纳入排除标准,可能存在选择偏倚。
- 所引研究多为单中心、回顾性设计,外部验证不足。
- AI算法性能受训练数据质量和标注标准影响,存在「垃圾进垃圾出」问题。
- 纹理分析等放射组学方法在不同成像设备、机构和扫描参数间的可重复性和可迁移性有限。
- 部分AI应用仍处于研究阶段,尚未在临床常规中广泛验证。
全文中译17 节 · 点击展开
引言
在过去十年中,人工智能(AI)技术的应用日益增多,用于优化日常生活几乎所有方面的任务,无论是像日历优化和自动唤醒闹钟这样简单的事情,还是更复杂的事情,例如自动驾驶汽车[1]。AI技术的发展也显著影响了放射学影像工作流程,特别是放射学价值链中的肌肉骨骼(MSK)和脊柱成像任务,该价值链涵盖了放射学工作流程中所有易受变化影响的主要组成部分[2, 3]。
AI最早由美国计算机科学家John McCarthy提出,距今已有50多年的历史,当时计算技术尚处于早期发展阶段[4, 5]。然而,在过去十年中观察到公众兴趣日益增长,这主要是由计算能力的提升[6]和高性能处理器在个人使用中的广泛普及[7]所推动的。近来,多项研究开发出了性能等同甚至优于人类参考标准的AI应用,无论是在放射学还是其他领域。这也可能促进了AI研究和技术在公众中的普及。例如,由Google DeepMind开发的名为“AlphaGo”的算法于2016年击败了棋盘游戏“围棋”的世界冠军,这通过媒体获得了大规模的公众关注,远远超出了科学文献的范围[8]。AI作为一个总括性术语,已经深刻影响了我们在放射学工作内外的日常 routine,并有可能以颠覆性的方式影响MSK成像常规。这种颠覆的规模可能堪比甚至大于过去的其他变革,例如计算机断层扫描(CT)、磁共振成像(MRI)和图像归档与通信系统(PACS)的广泛普及[9]。然而,尽管新的AI技术具有巨大潜力,但它们需要对操作者进行基础教育,更重要的是,在向前推进新前沿的过程中,它们带来了必须牢记的新挑战和风险。本综述专门面向从事脊柱成像的放射科医生,提供AI的基本解释及其应用示例。此外,本文还强调了未来展望和挑战,并讨论了这些发展可能如何影响放射学中每一个概念性价值链环节,如Enzmann所提出的[2]。
人工智能的基础及其应用
AI是一系列对人类而言显得“智能”的计算机算法的最广泛总括性术语,涵盖了多样化的算法谱系[10, 11]。
目前,AI最主导的方法是机器学习(ML),它建立在从数据中学习的原则之上[11]。ML算法本质上需要输入数据,例如放射学背景下的图像。在算法的输出端是一个预测,例如一个诊断。创建预测的过程需要学习一个专门的训练目标,这可以通过不同的方式实现[12]。以这种方式生成预测的所用算法被称为分类器。
机器学习(ML)算法通常分为无监督、有监督和强化学习方法,每一类都需要不同类型的输入数据[11]。具体而言,数据可以是带标签的或无标签的——无标签数据仅包含原始信息(例如,CT或MRI扫描),而带标签数据已被标注或分类到特定类别(例如,放射科医生已对扫描作出诊断或分割)。无监督和强化学习算法可对无标签数据进行操作,这是有益的,因为在绝大多数情况下,标注数据需要大量时间和精力。无监督学习的一个亚组(即所谓的自监督学习模型)[13]的最新进展已尝试使用部分标注数据进行预测;然而,该研究仍处于起步阶段。因此,有监督学习仍然是人工智能实践中总体上最常用的ML方法,尤其是医学应用[11]。有监督学习使用带标签数据,因此需要专业放射科医生或单独的预训练ML算法来创建标注数据集。因而,有监督算法需由专业放射科医生或该领域专家铺平道路,并界定可能的ML方法(如分类和分割任务)的条件限制。
ML算法的输出在很大程度上取决于输入特征的质量和选择(“垃圾进——垃圾出”[14, 15])。这是将ML应用于图像分类任务的主要问题之一,因为从未处理的输入像素或体素生成正确的图像标签非常困难[11]。对这一变换进行“监督”的难度,是被称为深度学习(DL)的一类新型ML日益流行的最重要触发因素,其旨在通过在一个称为神经网络(NN)的架构中包含多个阶段或层来模拟更智能的行为。
DL可作为使用NN的算法的同义词使用[11]。NN通常由若干不同的层组成,其中网络的深度指连续使用的层数。这些NN的成功取决于学习分层特征并结合放射学诊断背后的逻辑,因此,这些算法通常需要大量参数,往往在数百万的数量级[11]。本质上,DL利用端到端学习,从成像输入数据自动计算结果,从而能够学习输入数据中甚至高度非线性的函数和依赖关系[4]。因此,DL用于困难的感知任务,例如医学成像,在这些任务中它优于“传统”ML策略。
卷积神经网络(CNN)是一类DL算法,旨在模拟人类视觉皮层,并使用特定类型的层来对输入数据中的微小变化(如轻微的图像变换)变得不变,从而对新数据具有普遍良好的适应性。关于CNN架构,如果存在一定深度,即层数,通常接受使用新术语深度卷积神经网络(DNN)[16]。最流行的图像分割CNN之一U-Net[17]的开发侧重于高准确性,并在不同分辨率下结合分割和空间信息[11, 18]。
纹理分析(TA)按定义并非人工智能的应用,而是一种定量图像分析方法[19]。然而,近年来它在图像评估和解读中的重要性日益增加[19]。纹理分析旨在研究预定义感兴趣区域或体积内人眼不可见的组织特征,从像素和体素之间的关系中提取大小、形状、强度或纹理等定量特征。这些特征被认为有助于改善不同病理的诊断和疾病监测。一般而言,纹理分析伴随大量数据[20],即大数据,通常需要基于人工智能的技术进行数据处理以预测特定结果。这一过程也被称为“影像组学”,可源自任何成像模态。然而,已有报道指出其在不同成像模态、机构和扫描设备之间的可重复性和可迁移性有限,因此纹理分析算法在很大程度上受研究设计和其他因素影响(表1)[19]。
脊柱成像中的人工智能应用
根据Gartner 2020年最新的新兴技术炒作周期[21],人工智能的增强有望对任何行业产生潜在影响。人工智能技术已被用于研究环境和商业用途,以完成脊柱成像常规工作流程中的不同任务。类似于脊柱外科中分类适合人工智能任务的方法[9],人工智能的影响也可按(脊柱)放射学的不同作用领域进行分类。
近期一篇文献综述描绘了这样一种情形:机器学习和人工智能可以通过避免和量化报告等方式提高整体诊断质量[22]。然而,潜在的效率提升机会远不止于现有的基于“影像阅片”的工作流程。所提出的当前人工智能驱动的从“影像阅片”产品向提供高质量信息和整体服务的“价值链”产品的转变,很可能在“从申请到报告”工作流程的每一步都受到影响。此外,技术和法律性质的挑战,以及采用和推广方面的挑战,使得必须制定明确的策略,从“阅读图像”的思维模式转向“完整价值链”的思维模式(即“在医疗决策中创造和组织信息以实现更高准确性、更快速度和更低成本”的思维模式)[2]。
因此,本节旨在系统描述人工智能在脊柱成像相关任务中的应用,沿图1所示价值链的修改版本列出各项应用。
患者选择和检查前准备
除了Enzmann所述的价值观四个主要阶段[2]之外,本文作者提出放射学工作流程中成像之前的一个额外要素,该要素一方面正在(并将进一步)受到人工智能技术的影响,另一方面对整体生产力具有重大影响。因此,本节旨在提供已针对改善检查前任务(例如患者选择和排程)进行研究的人工智能方法示例。
患者选择
总体而言,放射学正面临越来越多的专门针对横断面成像的申请。因此,确定何时应进行何种成像程序的适当性标准是非常必要的。例如,Manta等人研究发现,在髋关节MRI中,32%的申请被认为是不适当的。用于无并发症下背痛检查的MRI被认为是MRI过度使用的重要驱动因素,并导致不必要的医疗保健支出以及对患者的潜在风险,例如辐射暴露(如果基于MRI结果随后请求CT或X射线扫描),或对MRI对比剂的过敏性和非过敏性反应[23]。
已通过“明智选择加拿大”(Choosing Wisely Canada)等倡议实施稳定或减少不必要转诊数量的努力,该倡议不鼓励对无并发症下背痛进行脊柱成像[3]。作为对类似运动的回应,临床决策支持系统可能有助于检测不必要的转诊。迄今为止,首批合作已在实施机器学习算法以增强该任务中的临床决策支持工具方面显示出积极成果[3]。例如,一项回顾性研究表明,在分阶段实施临床决策支持工具后,下背痛腰椎MRI的成像率显著下降了近四分之一[24]。
优化预约和检查方案制定
在方案选择之前,价值链中的一个重要步骤是高效的预约安排。最近,研究人员应用机器学习技术来预测门诊患者未能按预约就诊的情况。预测具有相当的精确度,因此能够在泛化模型中降低成本[25]。
正确的方案制定是实现高效专业工作流程的主要区分因素。使用对比剂对若干临床问题价值有限,但对窄谱疾病(如骨肿瘤)是必要的。方案制定任务耗时且通常并不简单,由放射科培训医生执行可能导致错误的方案选择。最近一项研究使用基于深度学习的自然语言方法,旨在从MRI转诊的自由文本临床指征中确定对比剂的必要性。对于两位放射科医生之间读者间一致性完美(100%)的病例,系统显示出90%的一致性[26]。另一方面,人工智能也可能有助于从医院记录系统中自动收集和筛选患者风险,如对比剂过敏或植入物。
图像采集、处理和分析
噪声、运动和其他伪影减少
图像噪声降低图像质量,噪声校正是图像后处理中的常规步骤。然而,噪声与特定采集和重建参数之间的不同关系是已知的,因此可以预期。因此,除了传统的噪声减少策略(如MRI中缩短扫描时间、CT中降低辐射剂量或更复杂的统计模型)外,人工智能技术最近已被研究用于噪声减少。为实现这一目标,使用自然图像以及有意添加了定义范围内高斯噪声的图像,训练了噪声图像与无噪声图像之间的映射[27]。随后,成功地从噪声测试图像生成了MR、CT和PET数据的无噪声重建[28–30]。
由于采集时间相对较长,MRI容易产生运动伪影。虽然存在多种运动校正方法,但基于深度学习的解决方案有时更受青睐,因为它们可以在后处理过程中校正运动,而无需关于运动引起的图像畸变程度或类型的输入信息[27]。
扫描时间缩短
通常,必须在空间分辨率、信噪比和扫描持续时间之间进行权衡[27, 31]。当对诊断效能影响较小时,图像质量的降低有时被接受,因为当前的常规后处理包括不同的技术来改善整体图像质量,因此对图像质量的总体影响很小。
在降低图像噪声方面,人工智能(特别是深度学习)算法现在能够在通过全分辨率输入数据进行初始训练后,执行从低质量重建到高质量重建的映射。此后,应用于其他无关数据时,与常规迭代重建方法相比速度相当[32]。
最近,不同研究团队研究了一种“虚拟”或“合成”成像技术,即预训练的卷积神经网络随后生成实际上并未采集的图像。例如,一个生成对抗网络能够从CT数据创建逼真的合成MR图像,难以与真实采集的成像数据区分[3]。此外,Jans等人证明,基于采集的MRI数据人工创建的骶髂关节“合成CT”图像,与T1加权MRI相比,改善了疑似骶髂关节炎患者结构性骨病变的检测[33]。
Kleesiek等人最近发表了一种同样先进且非常有前景的方法,也适用于脊柱成像,他们证明了一种算法的良好诊断性能,该算法从肿瘤患者和健康对照者的原生脑MRI生成虚拟对比增强图像[34]。
脊柱标注
如前所述,不同的机器学习方法正被用于所有医学专科的标注任务。
在脊柱成像中,一项相对冗余且简单的工作是从不同图像(如X线片、CT或MRI数据)中标注特定椎体或椎间盘的相应椎体节段。
此外,标注和识别通常是开发进一步的自动化算法用于疾病检测或分类的第一步。虽然脊柱节段标注已经集成到多个经典图像归档和通信系统的程序套件中(图2),但进一步的研究调查集中在确定脊柱MRI中每个椎间盘质心的位置。例如,Schmidt等人实现了与人类参考标准相比6.2 mm的误差距离[35]。
其他研究团队甚至通过使算法对包含严重脊柱侧弯或其他畸形以及存在固定装置的数据集具有鲁棒性,来挑战算法在上述任务中的性能,并获得了相似的定位误差[36]。在另一项研究中,全自动标注也可以作为跨模态工具实现[37]。
图像分割
图像分割定义为在图像数据中勾画预先设定的感兴趣区(ROI)。通常,ROI边界代表特定的解剖学或其他语义含义。这些ROI通常通过与其他相邻像素共享相似或相同的属性来确定和区分,如MRI中的信号强度或CT中的纹理特征[38]。迄今为止,手动分割被认为是最基本的形式,同时也是图像分割的金标准(见图3)。然而,这项任务对受过训练的放射科阅片者而言既繁琐又单调。为了简化分割流程及后续的定量图像分析策略(如TA),近年来大量精力被投入到自动分割算法的开发中,成效不一[39, 40]。
就肌骨(MSK)图像数据而言,全自动分割算法的实施仍然棘手,主要归因于MSK病例的复杂性和变异的可能性。
然而,近期在CT和MRI脊柱成像方面尤其取得了显著进展,因为不同个体之间的解剖结构相对相似。例如,Lessmann等人提出了一种具有记忆功能的CNN,能够记住哪些椎体已被分类。该方法实现了出色的分割精度,平均性能以Sorensen-Dice系数计为0.94(最大值为1)[41]。此外,分割算法的性能也得益于公开挑战赛和托管标注图像的开源数据库[42]。
自动化分割工作流程还支持新型机会性筛查。例如,不同研究团队近期已证明,骨质疏松的机会性筛查可在CT成像期间进行。骨密度既可从常规平扫CT中躯干的标准3D图像中估算[43],也可在光子计数CT成像中从定位像数据中进行实验性估算[44]。
脊柱和外周神经分割
近期发表的文献显示,外周神经分割已能成功实现,其准确性与手动分割相似且速度更快[45]。这对于后续提取定量图像数据尤其重要,例如扩散张量成像可能有助于诊断神经病变。例如,在一项研究环境中,坐骨神经的全自动分割耗时不到1秒,而手动分割时间为19分钟。在当前作者的另一项研究(未发表数据)中,还成功建立了一种基于人工智能的工作流程,用于从椎旁到更外周的矢状面图像上自动检测颈髓和臂丛磁共振神经成像中的神经位置(根、干、束)(参见图4)。尽管这仍是一项正在进行的工作,但本综述作者计划在MR神经成像的专用挂片方案中,将预测功能整合到临床工作流程中。
“读取”图像、图像解读与整合
病变检测与分类
与不断增加的影像学研究形成对比的是,现场放射科医生的可用性往往有限,尤其是在区域医院。因此,对常见病变的自动化检测,特别是在常见的投影放射摄影中,将有助于在没有持续放射学服务的医院中维持高效的患者管理。目前已发表了一系列研究,重点关注各种放射学模态下脊柱疾病的诊断[46, 47]。Azimi等人最近的一项系统综述已识别出40多项应用神经网络诊断脊柱疾病的研究。例如,算法检测骨折在大多数区域通常可以达到与骨科阅片者相当的准确性,包括椎体骨折[47]。还有其他一些工具专注于定义明确的简单任务,例如利用神经网络自动测量脊柱畸形[48]。此外,迄今为止人工智能工具也已成功完成更复杂的工作:Chmelik等人通过实施依赖患者和扫描方案的前处理,训练了一个深度神经网络用于检测CT中的脊柱转移性病变,而不论采集参数如何。初步结果表明准确性良好,对于溶骨性和硬化性病变,敏感性值分别为0.8和0.92,前提是病变最小尺寸为1.4 mm3 [49]。另一个研究组证明,在鉴别结核性与化脓性脊柱炎时,深度神经网络与三位专家阅片者之间的准确性相当。该算法的准确性以曲线下面积值表示,为0.802,与合并阅片者准确性0.729相比无显著差异[50]。
Lewandrowski等人[51]最近发表了一种更为先进的方法。该研究组开发了一种基于卷积神经网络的算法,在对每个患者的MRI进行多序列训练之前,先将腰椎三维模型拟合到每位患者的MRI上,然后从放射科医生报告中提取病变(如椎管狭窄)的类别定义。初步结果显示其准确性可与放射科医生报告相媲美。
在多发性硬化患者中,脊髓病变的自动检测取得了优异的性能。一个例子是Gros等人的研究,在该研究中,除病变检测外,与人工阅片者相比,还实现了非常精确的病变分割(即Dice系数表示的相似度为95–98%)[52]。
临床转化与结局预测
已有数项研究旨在通过人工智能(AI)预测脊柱手术的结局参数[53–55]。在脊柱影像学方面,一系列研究在腰椎管狭窄症(LSS)患者的临床队列研究中探讨了影像学与临床表现以及长期结局之间的相关性。例如,在一个大型LSS患者临床队列中,一系列研究揭示了图像与症状之间的相关性,而这些相关性是读者肉眼采用定性阅读方法所无法察觉的:Mannil等对椎旁肌应用纹理分析(TA),其中肌肉质量的定量判别指标与临床功能障碍问卷具有相关性。该队列的一项相关研究同样表明,与定性评估相比,机器学习(ML)支持的TA在LSS分级方面具有更高的准确性和可重复性(图5)[56–58]。此外,TA的表现优于Schizas等[59]提出的、将硬膜外脂肪受压纳入考量的高级定性评分。在一项相关研究中,还能够通过对椎体的回顾性TA前瞻性预测骨折风险,该TA来源于因其他临床原因常规采集的躯干CT数据[60]。
报告
由于语音转文字识别已彻底改变了放射学报告的工作流程,AI已经并将继续在多个方面具有增强报告的能力。在过去几年中,结构化报告的使用在临床常规中日益普及[61]。AI已被证明能够利用自然语言处理(NLP)从自由文本中正确生成结构化报告。此外,研究已显示了一些应用场景,其中实时算法可添加与骨折相关的临床知识,以增强放射科医生对进一步患者管理的建议。其他团队,如Tan等所述,展示了NLP在MRI和X线图像报告中提取与下背痛相关的相关文本发现的能力[62]。这在未来回顾性研究中寻找特定队列或数据人群时,也可能有助于加速研究进程。
医疗决策
由于过去上述各方面工作的推进,医疗决策支持工具在临床常规中日益普及,在脊柱疾病中也是如此。一个例子是近期的“Nijmegen决策工具”,该工具在慢性背痛情境下推荐手术治疗、保守治疗或完全不干预,并基于对患者健康状况的多变量预测[63]。然而,大多数类似的决策支持工具仍处于开发中或临床前阶段,因为它们需要大型临床-放射学数据库。
基于AI产品的局限性与挑战
人工智能驱动的医学影像领域近期取得的巨大成就,得到了放射学界的热烈接受,同时对日常工作中可用人工智能工具的质量和有效性方面的担忧相对较少[64]。尽管如此,该研究领域的快速进展也激发了私营公司的经济兴趣,这些公司已开始出售基于人工智能的临床产品,而欧洲和美国的医疗产品授权法律框架似乎并未以同样快的速度跟进[65]。
因此,Omoumi等人近期提出了相关指南,旨在在人工智能医疗产品评估的技术、财务、质量和安全方面实现“自愿性”标准化。所谓的ECLAIR指南是首个旨在总结影响所有相关利益方各方面内容的指南,并为放射学实践提出了如何正确评估人工智能工具的策略[66]。
除经济和质量的考量外,人工智能工具已推进到法律边界仅有有限可用性的领域。仅为研究目的共享医疗数据本身已是一个复杂的议题,需要在个人隐私权与对整个社会的潜在益处之间进行权衡。然而,医学影像数据的人工智能数据分析带来了经典知情患者同意的新层面,因为算法通常需要大量敏感图像数据用于算法的训练和测试目的。目前,我们正在经历从传统“知情同意”向更广泛同意形式(即“广泛同意”、“选择退出”甚至“推定同意”)的范式转变[64, 67]。这使得仔细的匿名化成为大数据分析更加关键的前提条件。近期研究表明,DICOM头文件中的传统姓名匿名化在未来可能不够充分,因为公开可用的训练模型有时可能被滥用来追溯患者相关的输入数据[68–70]。更安全且更先进的策略包括利用容器化和区块链技术[64]。
想象一下……
Johnny Spine先生于2040年4月1日临近中午在他40岁生日派对上进行了一场高强度的舞蹈表演后,在水床上醒来,感到下背部明显疼痛并放射至右足大趾。他通过移动设备咨询了他的数字家庭医生,根据其症状描述和个人数据,该应用程序提出了急性椎间盘突出的可能诊断,并附带了鉴别诊断。在适应证和转诊经其健康保险公司数字化审核后,Spine先生同意进行建议的腰椎磁共振成像(MRI)检查。该应用程序综合考虑患者数据、个人偏好和当地后勤条件(包括公共交通可用性、营业时间及现场放射学硬件),建议在最近的放射科服务机构预约。在Spine先生最终确认预约后,基于大数据深度学习算法自动建议相应的成像模式和扫描方案,从而优化患者流通量、扫描仪正常运行时间和现场耗材成本。经该集团中央报告室值班放射科医师审核后,该信息也传达给了Spine先生。当他到达放射学设施时,技师请Spine先生换上功能性服装,该服装集成了根据其身体表型数据已为他准备好的可穿戴MR表面线圈。技师在确切约定的预约时间将他带入开放式3 T MR扫描仪,并使其处于坐位。在确认正确的患者和扫描数据后按下启动按钮,MR扫描仪全自动采集一组腰椎成像数据。同时,骶髂关节也被纳入扫描范围,因为现场人工智能实时检测到细微的皮质下异常并触发额外的扫描覆盖。约5分钟后,Spine先生被移出扫描仪,被要求脱下MR服装,并可自由离开该设施。与此同时,图像已由卷积神经网络(CNN)算法评估,该算法详细评估脊柱的每一节段,并生成标准报告,包括每个节段的主要发现及其与实际问题的关系。此外,应 supervising 和签署放射科医师的要求,事后生成了虚拟对比增强图像,以避免遗漏AI分诊工具所提示的细微炎症。放射科医师审核整个图像堆栈时的所有发现均在总结序列中自动并以视觉方式标记,该序列也可通过密码限制的在线访问进行查看。正如预期,诊断为L5/S1水平的小型关节下椎间盘突出。骶髂关节未见异常。Spine先生直接在手机上收到报告,此外——应要求——还收到进一步的治疗建议。当在家中通过在线访问查看图像时,一位全数字化放射科医师解释了不同的解剖标志和AI留下并经真正的放射科医师审核的视觉标记。患者不仅可以提问,还可以要求获取关于特定发现及其临床影响的进一步信息。在与他的主治医师讨论报告时,Spine先生想知道他的超重状况是否可能有影响。主治医师经Spine先生事先同意,可以完全访问所有相关图像和患者病史的在线存储。此外,主治医师还咨询了一位骨科外科医师,该医师可完全在线访问所有患者数据。为了就手术适应证和适宜性及相应预后发表意见,骨科外科医师要求利用更大的视野重建,对同一MR扫描进行事后腹部组分身体成分和肌肉质量分析。基于他得出的分析,骨科外科医师让Spine先生进行严格的低碳水化合物饮食,因为他的表型似乎为糖尿病前期。此外,基于椎骨的自动放射组学分析,其骨质量相对于年龄似乎偏低。基于影像学发现和保守治疗的计算改善概率评分较高,因此骨科外科医师推荐保守治疗。Spine先生确信自己能够做到,并强烈依赖他的个人物理治疗师应用程序,该程序也随放射科医师的图像报告和主治医师的治疗建议一同提供。
引用
- Huber FA, Guggenberger R. AI MSK clinical applications: spine imaging. Skeletal Radiol. 2021. PMID: 34263344. doi:10.1007/s00256-021-03862-0
- 全文:PMC8692301(PMC 开放获取,CC BY)https://pmc.ncbi.nlm.nih.gov/articles/PMC8692301/
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。