商业AI测量站立全脊柱X线脊柱骨盆参数的准确性及融合术后局限
结果显示AI对多数参数可靠性为良至优,敏感度为72.6%–94.8%,与放射科医生报告接近;但腰椎前凸ICC为0.68,且脊柱内固定患者中测量偏差增高、相关性下降。
要点
- AI对多数脊柱骨盆参数可靠性为良至优(ICC 0.79–0.99),但腰椎前凸仅为中等(ICC 0.68)。
- 脊柱内固定或骨折患者在AI识别解剖标志时更易出错,融合术后SVA与PI可因S1螺钉影响。
- AI仅完成42.4%病例的全部测量,对未输出参数需人工补测,阅片报告时需核对内固定病例。
核心结论
- 商业AI软件对多数脊柱骨盆参数测量具有良至优的可靠性与精度,与临床放射科医生表现接近。
- 腰椎前凸测量一致性仅为中等(ICC 0.68),是AI表现最弱的参数。
- 脊柱内固定会降低AI预测与参考标准的相关性并增大测量偏差,仍需人工复核。
研究设计与样本
- 采用EOS双平面立体X线系统拍摄,需同时具备正位与侧位影像。
- 参考标准为接受肌骨影像高年资顾问医师培训的研究阅片者R1测量结果。
- 骨科医师R2在随机50例中评估与R1的观察者间可靠性,ICC为0.94–1。
- AI为商业CE认证软件Gleamer,采用卷积神经网络进行姿态估计与关键点检测,关键点阈值50。
关键影像表现/征象
- 腰椎后路融合患者中LL因AI选择L4而非L5终板而被低估,SVA轻度高估,S1螺钉影响PI测量。
- 融合术后正位片上解剖标志识别困难可导致冠状Cobb角被错误升高。
- AI能输出测量结果的病例中,腰椎前凸与参考标准差异最大,平均差值为6.3°。
诊断标准与关键数值
- AI与参考标准的ICC:冠状Cobb角0.84,胸椎后凸0.83,腰椎前凸0.68,骨盆入射角0.79,矢状垂直轴0.99。
- 放射科医生报告与参考标准的ICC:冠状Cobb角为优,腰椎前凸0.79,其余参数为良至优。
- AI敏感度为72.6%–94.8%,冠状Cobb角、骨盆入射角、SVA敏感度高于报告,特异度则低于报告。
- AI的MAE最低为冠状Cobb角4.6°(95%CI 3.6–5.5°),最高为腰椎前凸8.1°(95%CI 6.9–9.3°)。
- 正常参考值:冠状Cobb角<10°,胸椎后凸30–50°,腰椎前凸50–60°(L1–S1)或30–50°(L1–L5),PI 40–55°,SVA +50至0 mm。
临床应用与阅片要点
- AI对完全测量完成率仅42.4%,CC输出率最高为87.7%,TK最低为59.2%,报告中需留意未输出参数。
- 日常阅片内固定病例须重点复核AI输出的Cobb角、LL、SVA与PI,避免解剖标志误识别。
- SVA测量AI优于临床报告(WSRT p<0.001)且对病理状态敏感度更高,可用于初筛或一致性参考。
- MedAE总体低于MAE提示存在偶发大误差,对内固定或严重退变病例不应直接采纳AI测量值。
局限性
- 单中心回顾性设计,结果可能不适用于不同X线设备。
- 腰椎前凸测量方法在不同中心与AI开发者之间不统一,影响可比性。
- AI未能评估所有检查,存在仅对高质量图像完成分析的选择偏倚可能。
- 未评估手动测量耗时,无法比较AI潜在的效率优势。
- 患者群体可能显著高于AI训练数据中的年龄,骨折与内固定比例更高。
全文中译17 节 · 点击展开
引言
为了全面评估脊柱序列与平衡,在立位全脊柱X线片上引入了多项测量指标,这些指标已成为许多脊柱疾病(如退行性病变和成人脊柱畸形)治疗的临床标准[1]。然而,这些测量的常规执行增加了放射科医生阶段日益增长的工作负担,而放射影像检查数量的持续上升进一步加剧了这一情况[2]。同时,大量研究表明,放射科医生工作量增加与随后判读准确性下降之间存在相关性[3, 4]。因此,迫切需要一种自动化、标准化、快速且精确的解决方案,以在病例数量不断增加的情况下维持测量的准确性。深度学习(DL)和人工智能(AI)方法的最新进展为各种任务的标准化和高效图像评估提供了有前景的解决方案[5–8]。虽然既往研究已经探索了基于AI的脊柱骨盆参数测量,但这些研究主要侧重于使用单一评估者或一小组评估者作为金标准,针对精选数据集验证算法[9, 10]。因此,在真实世界条件下评估AI性能存在关键空白,在真实世界中,测量结果受到不同经验水平放射科医生之间的评估者间变异性的影响[11]。我们的研究通过将一款市售AI软件的性能不仅与一名经过培训的研究阅片者进行比较,还与临床放射科医生的常规测量进行比较,对其进行外部验证。
我们假设,相对于真实世界评估,该AI系统将展示出较高的测量准确性,从而为EOS全脊柱图像的评估提供一种可靠且高效的方法。
方法
伦理批准
本研究获得了机构审查委员会批准,方案编号为EA2/034/24。研究严格遵循既定的伦理标准开展,包括《世界医学会赫尔辛基宣言》中规定的标准。
患者选择
在这项回顾性验证研究中,利用放射科信息系统和图像存档与通信系统(RIS/PACS)从一所大学医院(柏林夏里特医学院)获取全脊柱X线片。纳入标准如下:(1)患者在2023年1月1日至2023年12月31日期间接受了双平面立体X线系统(EOS imaging,法国巴黎)的站立位全脊柱X线成像。(2)正位和侧位视图均须可用。(3)这些检查须有包含所有指定测量项目的结构化报告。未能显示所需解剖结构(即正位为C2至S1,侧位为C2至股骨头)或存在显著伪影妨碍准确测量的检查被排除在研究之外。对于在规定时间内接受多次检查的患者,仅将第一组图像视为符合分析条件,以避免混淆并确保数据集的可重复性。从剩余队列中随机纳入患者,直至达到目标数量。患者纳入流程图见图1。
成像
双平面X线片在自由站立位下拍摄。根据患者体重指数,管电压(kV)为83–100 kVp(正位)和102–110 kVp(侧位),管电流(mA)为200–250(正位)和200–320(侧位)。成像方案使用µDose功能针对高分辨率低剂量采集进行了优化。
报告评估
临床常规测量由放射科住院医师或获得委员会认证的放射科医师完成。每份放射学报告均由获得委员会认证的放射科医师签署。从每份报告中提取以下参数:冠状面Cobb角(CC)、胸椎后凸(TK)、腰椎前凸(LL)、骨盆入射角(PI)和矢状面垂直轴(SVA)。同时评估金属植入物(尤其是脊柱融合)、退行性改变和椎体压缩性骨折的存在情况。
图像处理
脊柱角度测量使用基于人工智能的商业MSK测量软件Gleamer(法国巴黎)完成,该软件安装于院内服务器上。该具有CE标志的全自动放射学图像处理软件适用于常规X线片和EOSX线片,使用多个卷积神经网络进行姿态估计和解剖关键点检测,包括自顶向下的Mask R-CNN/Detectron2衍生架构、轻量级HRNet和自底向上架构。预测的关键点被赋予0到100的置信度评分,仅置信度高于50阈值的关键点用于测量计算。其他专有细节(包括模型权重和训练超参数)制造商未予披露。随后,图像经过处理,测量结果连同详细报告被传输至PACS系统,并从中提取参数。
参考标准
阅片者1(R1)是一名医学研究生,接受了具有15年肌肉骨骼影像专业经验的资深顾问放射科医师的培训,以测量相应角度和参数。为此使用了一个包含20次检查的验证测试组,该组不纳入最终分析。随后,R1对队列的匿名图像进行评估,对临床数据、AI测量结果和放射学报告内容设盲。对于R1和AI均有完整测量结果的患者,随机选取50例患者,由具有8年经验的骨科医生(R2)采用相同的盲法进行评估,以计算评分者间信度。R1的测量结果作为本分析的参考标准。关于这些参数如何评估的详细描述见电子补充材料中的补充方法部分。
参考值
CC低于10°视为阴性[12]。TK正常值确定为30–50°,LL正常值为50–60°(L1至S1)和30–50°(L1至L5)[13]。PI在40–55°范围内视为正常,SVA在+50至0 mm之间视为正常[14]。其他所有值均归类为非典型。
统计分析
所有统计检验均使用IBM SPSS统计程序(版本29.0.0.0(241)和29.0.2.0(20))完成。
CC值低于10°视为0°(阴性),并且每次检查中仅将最高CC纳入分析。缺少AI处理数据的检查在未进行的测量比较分析中被剔除。
采用描述性统计对研究队列进行分类:年龄以均值和标准差表示,性别以绝对频数和百分比表示,其他分类变量(脊柱内固定、骨折、退行性改变)以绝对频数表示。采用Kolmogorov-Smirnov检验评估各测量数据的数据集正态性。我们通过确定与参考标准相比的平均绝对误差(MAE)和中位绝对误差(MedAE)来评估AI和报告的精确性与可靠性。采用Wilcoxon符号秩检验(WSRT)评估这些测量差异是否具有统计学意义(p < 0.05)。根据上述参考值,评估灵敏度、特异度、阴性预测值(NPV)和阳性预测值(PPV),以对病理性和健康参数进行分类。这些参数的评估如下:< 60为差,> 60–70为尚可,> 70–80为中等,> 80–90为良好,> 90为优秀。MAE的95%置信区间采用1000次重抽样的bootstrap方法计算,灵敏度和特异度的置信区间通过剖面似然估计得出。评估者间信度采用组内相关系数(ICC)估计值进行检验,其95%置信区间基于单一测量、绝对一致、双向混合(R1 vs. R2;R1 vs. AI)或双向随机(R1 vs. 报告;AI vs. 报告)效应模型计算,依据Koo等[15]。我们将ICC值分类如下:< 0.5为差,0.5–0.75为中等,0.75–0.9为良好,0.9–1为信度优秀[15]。此外,采用Spearman相关检验(Spearman's rho:ρ)和Bland-Altman图检验并可视化AI与报告的测量结果相对于真实值的相关性。对放射学报告中所述存在脊柱内固定、退行性改变和骨折的患者进行了亚组分析。
结果
图像后处理
AI系统在210例(42.4%)病例中完成了完整测量。在434例(87.7%)检查中,AI报告了CC,293例(59.2%)报告了TK,320例(64.6%)报告了LL,306例(61.8%)报告了PI,308例(62.2%)报告了SVA。AI测量示例见图2。
绝对测量值
R1、AI及报告中的测量结果见表2。虽然大多数测量在不同评估者之间结果非常相似,但最显著的差异出现在L1–L5测量中,AI的均值比R1低6.3°。在AI与报告之间,最大差异出现在SVA测量中,报告的均值低5.3°。
比较统计学
这些分析的原始交叉表见补充表S1–S10。Spearman相关分析结果见表2;组内相关系数(ICC)值列于表3。
R1与R2之间的评估者间一致性在所有测量中均为优秀(ICC < 0.9)。除L1至S1测量的LL外,所有测量的平均绝对误差(MAE)均低于5°,该LL的MAE为5.22° ± 4.2°。
与R1测量值的Spearman相关分析显示,CC、TK和LL与报告的相关性更高,而PI和SVA与AI的相关性更高。Bland-Altman图(补充图S1)显示,TK、LL和PI在R1与报告之间的平均偏倚较低,而CC和SVA在R1与AI之间的偏倚较低。大多数参数的95%一致性界限相当。AI和报告在TK和PI测量中均显示良好的ICC,在SVA测量中显示优秀的ICC。对于CC测量,AI显示良好的ICC,报告显示优秀的ICC。LL测量的ICC最低,AI的L1–L5测量为0.68(中等),报告的L1–S1测量为0.79(良好)。相应的可视化散点图见补充图S2。根据Wilcoxon符号秩检验(WSRT),AI与报告之间在TK(p = 0.009)、LL(p = 0.035)和SVA(p < 0.001)测量中存在显著差异。这些参数的MAE值偏差为:TK 0.9°,报告 < AI;LL 2.1°,报告 < AI;SVA 1.3°,AI < 报告。在所有分析中,中位绝对误差(MedAE)值始终低于MAE值。各参数的MedAE值见补充表S11。
诊断准确性
报告和AI的诊断准确性见表4。敏感性分析显示AI的结果为中等至优(72.6–94.8)。在TK和LL测量中,AI与报告之间可见相似的结果,分别为中等(TK)和良好(LL)。相比之下,AI在CC(优对比尚可)、PI(良好对比中等)和SVA(优对比良好)测量中的敏感性更高。对于PI,两者的特异性均为中等。AI在CC(尚可对比优)、TK(中等对比良好)和SVA(良好对比优)测量中的特异性较低。在LL(中等对比差)测量中可见更好的特异性。
有内固定和骨折患者的结果
该亚组分析的详细统计结果见补充表S12–S15。对于每一个参数,该算法在无初步医学发现和无内固定的队列中均显示出更高的ICC和更低的MAE值。
讨论
本研究比较了一种市售AI产品与放射科医生日常临床工作对相关脊柱参数的测量。根据参数的不同,深度学习(DL)算法能够在59%(TK)至88%(CC)的检查中完成测量。我们发现该AI系统可以在全脊柱EOS图像中计算相关的脊柱骨盆参数,其可靠性为中等至优(所有ICC值> 0.68),敏感性为良好至优(72.6–94.8)。
尽管MAE的差异(5.6°对比4.7°)无临床意义,但报告中TK的测量较AI更准确(WSRT,p = 0.009),这提示存在轻微的系统性测量差异。LL测量也显示出有利于报告的显著差异(WSRT,p = 0.035)。然而,LL角度测量的系统性差异必须予以考虑,因为各中心之间的方法学各不相同,且本机构与AI开发者之间的方法学也不同。另一种解释可能是腰椎区域易受退行性病变和骨折的影响,而这些情况常因手术干预导致该区域需要内固定。如我们对脊柱内固定和骨折的分析所示,所有这些困难都可能对AI算法检测解剖标志构成挑战,从而影响其与经验丰富的医生相比的准确性。另一方面,SVA由AI测量的准确性高于报告(WSRT,p < 0.001),并且对病理性情况显示出更高的敏感性。MedAE值始终低于MAE值提示数据集中存在偶发的大幅误差(例如由于脊柱内固定所致),而MedAE对此本质上更为稳健。总之,我们的结果在大多数参数上证实了我们的研究假设,并提供了证据表明AI能够在真实世界环境中达到与训练有素的医生相当的诊断准确性。然而,AI并未评估所有检查,因此不能排除潜在的选择偏倚(即主要分析了高质量图像)。因此,AI目前在该方面尚不能完全替代人类专家。
将该算法应用于临床实践可以通过标准化且可靠的方式辅助完成重复性任务,从而优化放射科医生的工作流程,并降低评估者间差异 [16]。首先,由于在不同病例间进行一致性评估,这有助于对脊柱序列进行更精确、更全面的评价,并提高可比性。其次,自动执行这些测量可以节省医生的时间,使他们能够专注于更复杂的任务,最终改善患者护理 [17]。第三,标准化测量在患者纵向监测中发挥重要作用,这对于脊柱疾病尤为重要,因为及时干预可以防止疾病进展 [18]。在放射学之外,该算法还可以帮助来自不同专科、缺乏放射学专业知识的医生,在无需直接咨询放射科医生的情况下提供脊柱序列的初步评估。这种对脊柱参数的广泛可及性可促成更明智的治疗决策,从而可能改善患者预后。此外,该算法还可以作为全科医生的一种预筛查工具,用于早期发现存在潜在脊柱畸形的患者,并在必要时将其转诊进行专科评估。它还可以通过支持对大规模数据集的分析,成为脊柱序列大型研究的有用工具 [19]。
本研究观察到的真实值与AI系统之间的一致性相关系数(ICC)在很大程度上与当前文献报道的水平一致。例如,Song等人报告PI的ICC为0.78、SVA的ICC为0.92,与我们的发现(分别为0.79和0.99)相当[20]。类似地,Grover等人报告术前和术后X线片中TK和PI的ICC为0.77–0.86,与我们的结果一致(TK = 0.83;PI = 0.79)[7]。然而,本研究通过直接将AI表现与临床放射科医师的常规测量结果进行比较,扩展了这些发现——这与先前主要依赖精心整理的数据集或专家共识的研究有着关键区别。有两项研究报告了优于我们的性能指标。Zerouali等人显示大多数参数具有更低的平均绝对误差(MAE)和更高的ICC,但其队列中91%为儿科患者(<18岁),仅有7%为重度脊柱侧凸(本研究为24%),且排除了脊柱内固定器械,从而降低了测量复杂度[21]。同样,Harake等人证明了其AI(SpinePose)具有极好的可靠性(ICC > 0.91),但其分析仅限于40张测试图像,且排除了冠状面参数,而冠状面参数对于全面的脊柱序列评估至关重要[22]。Hayashi等人仅关注CC测量,报告了更低的MAE(2.6° vs. 我们的5.6°)和更高的ICC(0.98 vs. 0.84),这可能是因为其儿科患者比例更高(51% <22岁 vs. 我们队列的28%)且重度脊柱侧凸病例更少(7% vs. 24%)[9]。与他们的发现一致,我们的分析(补充表S12–S15)提示这些因素会对算法的准确性产生不利影响。然而,本研究的一个关键优势在于其广泛的临床适用性:我们纳入了多样的年龄范围(5–94岁)、较高的脊柱内固定器械比例(20%)以及中重度脊柱侧凸比例(70%),在具有挑战性的场景中对AI的稳健性进行了严格的检验。此外,我们的三方比较框架(AI vs. 真实值 vs. 放射科医师)为算法在日常实践中的实用性提供了真实世界的验证,而非在理想化条件下的验证。
我们认识到本研究存在一些局限性。我们的结果可能较难推广到不同的X线设备。此外,我们对LL的测量应谨慎评估,因为本研究采用了不同的测量方法,这也会影响参考值。不同角度的参考值和正常范围也尚未标准化,可能因人群和机构而异。因此,我们的诊断准确性值是用于比较而计算的,并不反映实际临床性能。此外,虽然AI在其测量中提供了良好的结果,但有相当数量的患者AI无法提供部分或全部参数。约1%的病例中,由于缺少DICOM标签,完全没有生成输出。手动测量所需的时间未被评估,因此无法与AI系统可能具有优势的输出速度进行比较。我们的患者群体可能年龄明显偏大,并且与推测的更年轻训练数据集相比,表现出更多的骨折和内固定,这使识别必要标志点更加困难。因此,算法的进一步优化可能有助于提高在脊柱表现更复杂或更高龄患者中的输出率。
总之,本研究提供证据表明,Gleamer的商业AI系统能够在全脊柱正侧位X线成像中测量相关脊柱骨盆参数,其准确性和可靠性与放射科医生在日常工作中的表现相似。脊柱内固定目前仍是该AI系统的一个主要误差来源,因此需要由人工评估者对其输出进行额外审核。然而,将此类产品整合到临床工作流程中,可以减轻放射科医生目前面临的持续增加的部分工作负担。
补充信息
以下是电子补充材料的链接。ESM 1(DOCX 1.11 MB)
引用
- Winkler, Khakzad, Pumberger, et al. Diagnostic accuracy of artificial intelligence for spinopelvic parameters in standing total spine X-ray and limitations after fusion surgery. Skeletal Radiol. 2026. PMID: 42399390. doi:10.1007/s00256-026-05289-x
- 全文:PMC13522076(PMC 开放获取,CC BY)https://pmc.ncbi.nlm.nih.gov/articles/PMC13522076/
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。