精準(zhǔn)診斷是治療腰椎疾病、提升患者生活質(zhì)量的關(guān)鍵。作為評估腰椎狀況的“金標(biāo)準(zhǔn)”，磁共振成像（MRI）技術(shù)雖然能提供高分辨率、無創(chuàng)的解剖細(xì)節(jié)，但其解讀過程高度依賴放射科醫(yī)師的經(jīng)驗，存在主觀性強、觀測者間差異大等問題。尤其在進(jìn)行掃描定位時，由于操作者經(jīng)驗不一，容易導(dǎo)致圖像層面的傾斜或偏差，從而可能掩蓋真實的椎間盤形態(tài)學(xué)變化，影響對椎間盤退變、突出以及椎管狹窄等關(guān)鍵病理改變的準(zhǔn)確判斷。據(jù)統(tǒng)計，在部分病例中，診斷誤差率甚至可能超過20%。因此，臨床實踐迫切需要一種能夠提升MRI圖像獲取標(biāo)準(zhǔn)化水平及后續(xù)分析客觀性與準(zhǔn)確性的解決方案。

近年來，以深度學(xué)習(xí)為代表的人工智能技術(shù)，為醫(yī)學(xué)影像分析帶來了革命性可能。相較于傳統(tǒng)方法，人工智能算法能夠從影像中自動提取并分析多維特征，有望大幅提升診斷的可重復(fù)性與客觀性。然而，此前的研究大多聚焦于影像獲取后的離線分析，并未觸及影像獲取流程最上游的“掃描定位”環(huán)節(jié)。正是基于此，一項名為“Lumbar VNet Pro (LVP)”的創(chuàng)新性研究應(yīng)運而生，并成功發(fā)表于《Research》期刊。該研究的核心在于構(gòu)建并驗證了首個能與MRI掃描設(shè)備實時集成的深度學(xué)習(xí)系統(tǒng)，旨在從根源上解決腰椎MRI檢查中定位不準(zhǔn)、效率低下的痛點，將人工智能的賦能作用貫穿于從圖像采集到輔助分析的全流程。

該研究采用了多項關(guān)鍵技術(shù)方法：首先，研究團(tuán)隊基于V-Net網(wǎng)絡(luò)架構(gòu)，開發(fā)了包含脊柱定位、椎間盤分割、椎間盤標(biāo)記及掃描參數(shù)計算四大模塊的LVP系統(tǒng)。其次，研究構(gòu)建了包含來自鼓樓醫(yī)院、齊齊哈爾醫(yī)學(xué)院、珠江醫(yī)院和順德醫(yī)學(xué)院四家醫(yī)療機構(gòu)的2453套MRI數(shù)據(jù)集用于模型開發(fā)（1848套用于訓(xùn)練，605套用于驗證）。最后，研究設(shè)計了前瞻性多中心外部驗證，將1522名患者分為深度學(xué)習(xí)全自動組、人機交互組及全人工組，以全面的定位與診斷指標(biāo)（如偏移角、椎間孔高度、腰大肌面積、椎間盤突出檢出率等），在真實臨床環(huán)境中評估系統(tǒng)的效能。

在內(nèi)部測試中，LVP模型的識別準(zhǔn)確率高達(dá)100%，與采用金標(biāo)準(zhǔn)的人工評估結(jié)果一致性達(dá)到97%。驗證階段的數(shù)據(jù)顯示，其在定位（Dice系數(shù) = 0.93）、分割（Dice系數(shù) = 0.92）和標(biāo)記（識別率 = 0.90）方面均表現(xiàn)出色，且平均推理時間僅為1.1秒，確保了實時集成的可行性。

研究人員通過量化偏移角、椎間盤高度、椎間孔高度、腰大肌面積和關(guān)節(jié)突關(guān)節(jié)角度等指標(biāo)，評估了三組在矢狀面及橫斷面定位的準(zhǔn)確性。

Bland-Altman分析顯示，不同測量方法間存在差異。對于椎管直徑、椎間盤高度等線性測量指標(biāo)，深度學(xué)習(xí)組與人機組、全人工組均表現(xiàn)出較高的一致性。然而，對于關(guān)節(jié)突關(guān)節(jié)角度、側(cè)隱窩高度等復(fù)雜指標(biāo)，深度學(xué)習(xí)組與全人工組之間表現(xiàn)出較明顯的偏差，這反映了全人工測量在復(fù)雜解剖區(qū)域存在較高的操作者依賴性和主觀性。人機組表現(xiàn)出介于兩者之間的中等一致性。分析同時證實，兩位放射科醫(yī)師測量結(jié)果之間的一致性是可接受的。

在評估腰椎間盤突出、椎管狹窄和側(cè)隱窩狹窄的檢出率時，人機組獲得了最高的檢出率。接受者操作特征（ROC）曲線分析結(jié)果顯示，針對上述三種疾病，無論是基于深度學(xué)習(xí)、人機交互還是全人工方法，其曲線下面積值均大于0.9，表現(xiàn)出良好的診斷效能。其中，深度學(xué)習(xí)組與人機組的曲線下面積值普遍高于全人工組，表明人工智能輔助方法在診斷性能上更具優(yōu)勢。

本研究成功開發(fā)并驗證了LVP系統(tǒng)，這是一個將深度學(xué)習(xí)算法實時集成于MRI掃描硬件中的創(chuàng)新框架。其主要創(chuàng)新點在于系統(tǒng)層面的整合，首次實現(xiàn)了從圖像采集到AI分析的閉環(huán)，能夠自動進(jìn)行定位、平面優(yōu)化和參數(shù)生成。

綜合來看，研究結(jié)論如下：第一，在定位精度方面，深度學(xué)習(xí)全自動組和人機交互組在矢狀面和橫斷面定位的準(zhǔn)確性上均優(yōu)于全人工組，尤其在偏移角等指標(biāo)上展現(xiàn)出顯著優(yōu)勢。第二，在診斷效能方面，盡管人機交互組獲得了最高的疾病檢出率，但深度學(xué)習(xí)輔助方法（包括全自動和人機結(jié)合）的總體診斷性能優(yōu)于傳統(tǒng)全人工方法，其ROC曲線下面積值更高。第三，該系統(tǒng)在保證高性能（如0.93的定位Dice系數(shù)）的同時，實現(xiàn)了約1.1秒的平均推理時間，能夠無縫融入實時臨床工作流。一次完全由LVP引導(dǎo)的MRI定位操作可在10至15秒內(nèi)完成，遠(yuǎn)優(yōu)于傳統(tǒng)方法所需的2至3分鐘。最后，研究通過多中心外部驗證，證實了該系統(tǒng)在不同醫(yī)療機構(gòu)和不同掃描設(shè)備（如GE、Philips、UI、Siemens）間的適用性，展現(xiàn)出良好的泛化潛力。

討論部分進(jìn)一步強調(diào)了其重要意義。首先，將AI嵌入到MRI掃描的上游定位環(huán)節(jié)，有望重塑放射技師的專業(yè)培訓(xùn)結(jié)構(gòu)，降低獲得高質(zhì)量圖像的門檻，同時將專家角色從重復(fù)性操作轉(zhuǎn)向?qū)�AI輸出的監(jiān)督，提升工作流程效率。其次，該系統(tǒng)能夠顯著減少因操作者經(jīng)驗差異導(dǎo)致的掃描定位變異性，從而在源頭上提升圖像質(zhì)量和后續(xù)診斷的一致性與標(biāo)準(zhǔn)化水平。盡管深度學(xué)習(xí)模型是“黑箱”，但LVP被設(shè)計為非診斷性輔助工具，其輸出為可編輯的定位引導(dǎo)線，將潛在錯誤限制在流程效率層面，不影響臨床決策。此外，研究指出了當(dāng)前的一些局限性，例如數(shù)據(jù)來源的多樣性有待進(jìn)一步擴充，需要對不同病理階段的患者進(jìn)行分層分析，以及評估長期應(yīng)用的成本效益。

總之，這項工作代表了首個在MRI硬件中實現(xiàn)完全集成的AI系統(tǒng)進(jìn)行的大規(guī)模多中心臨床測試，展示了實時AI輔助MRI采集的可行性與臨床潛力。LVP框架通過減少操作者變異性和標(biāo)準(zhǔn)化圖像質(zhì)量，為人工智能技術(shù)在醫(yī)學(xué)影像領(lǐng)域的臨床轉(zhuǎn)化提供了可復(fù)現(xiàn)的模型，是邁向影像精準(zhǔn)化、智能化的重要一步。