使用多模态医学影像与多任务深度学习模型对颈椎退行性变的自动诊断

一种隐蔽的颈部问题，却影响日常生活

颈椎退行性变——与年龄或生活方式相关的颈部磨损——几乎无处不在，但早期常难以发现。它可能导致持续的颈痛、头痛、麻木，甚至影响步行，但其在医学影像上的细微变化需要多年经验才能读懂。本研究展示了一种人工智能（AI）系统如何从专家医生处学习识别颈部的X光片和MRI扫描，从而帮助将专家级诊断带入繁忙的医院和医疗资源匮乏的门诊。

为何颈部磨损如此难以察觉

不同于骨折或大肿瘤那样留有单一明显标志，颈椎退行性变通常不会在影像上出现单一显著标识。相反，它包含许多相互作用的小变化：颈椎的自然弯曲可能变平或反向，椎体可能略微错位，椎间盘可能膨出或破裂，包裹脊髓的管道可能逐渐变窄。医生目前在X光片上测量若干几何特征——如颈部整体弯曲程度和关键椎体的对齐情况——以及在MRI上观察软组织变化，例如椎间盘突出或受压的神经根。对每位患者都做到准确评估既耗时，又高度依赖经验丰富的放射科医师和脊柱外科医生，而在大型医疗中心之外这类专家往往短缺。

教计算机像专家那样读颈部影像

研究团队构建了一个深度学习系统，模仿专家如何观察颈椎影像，但实现自动化与一致性。首先，它在侧位X光片上检测颈椎的边缘和角点，将每个椎体视为精确定义的四边形。基于这些点，模型计算手术计划中常用的标准测量值，例如Cobb角（描述颈部弯曲或伸直程度）和矢状垂直轴，这是衡量头部是否平衡于脊柱之上的关键指标。它还估算相邻椎体相对滑移的量，以提示不稳定性，并测量椎管与椎体的尺寸以计算比值，指示可能的先天性管腔狭窄。

将不同扫描类型整合为一致的诊断图景

由于单一影像类型无法讲述全部病情，团队设计了一个能协调处理X光和MRI的系统。X光提供了关于骨形态与对齐的精确信息，而MRI则显示软组织状况，尤其是椎间盘以及神经出口处的情况。通过多任务学习结构，AI被训练同时执行这些测量与分类任务，任务之间共享学习到的信息。针对MRI，专门的网络检查每对相邻椎体之间的椎间盘，判断其是相对健康还是存在较严重的膨出或突出，并评估椎管和神经出口是否变窄。系统不是把所有信息融合成一个简单的二元标签，而是输出一个详细的特征画像，指出存在哪些问题以及具体位置。

AI 与医生的比较表现如何

该研究分析了来自一家大型医院的一千多名患者的X光与MRI影像，经验丰富的放射科医生和脊柱专家提供了精细标注。在简单的几何测量如距离上，AI的误差通常低于一毫米；在角度测量上平均仅偏差数度——在许多情况下与人工测量临床上可视为可互换。对于MRI上的椎间盘问题、椎管狭窄和神经出口狭窄，模型达到的准确度可比拟甚至在某些情形超越了初级与资深放射医师，并与经验丰富的临床医生相近，同时它生成结果耗时为数秒而非数分钟。当作者在第二家医院测试该系统时，性能略有下降但仍很高，表明其可在原始训练地点之外具有一定的泛化能力。

这对患者和诊所可能意味着什么

对于生活在颈痛中的人来说，这项工作的意义在于更快、更一致的诊断和更有针对性的治疗决策。AI并不取代医生；相反，它作为一名不知疲倦的助手，可以预先测量关键特征、标记可能的问题区域，并提供逐次影像的统一颈部健康报告。因为它反映了专家已经信任的测量方法——而不是发明新的指标——所以可以嵌入现有的临床流程，帮助将专家知识转移到缺乏本院脊柱专家的医院。如果被广泛采用并进一步验证，此类系统可促成更早发现有风险的颈部变化、减少漏诊，并为全球数百万患者带来更合适的手术或保守治疗选择。

引用: Song, X., Li, Y., Ouyang, H. et al. Automated diagnostic of cervical spondylosis on multimodal medical images with a multi-task deep learning model. Nat Commun 17, 2392 (2026). https://doi.org/10.1038/s41467-026-69023-w

关键词: 颈椎退行性变, 脊柱影像, 深度学习, 医学人工智能, 颈痛