通过多次阅片学习用于骶髂关节轴向脊柱关节炎分类

这对背痛患者为何重要

慢性下背痛可能彻底改变生活，其中一个重要原因是称为轴向脊柱关节炎的疾病，它常累及连接脊柱与骨盆的关节。医生使用磁共振成像（MRI）来发现这些骶髂关节的早期损伤征象，但逐一人工阅片成百上千张影像既缓慢又容易在专家之间产生不一致。本研究展示了一种全自动计算机系统，能够勾画这些关节并在MRI上分级多种损伤，其表现接近人类专家，可能加快诊疗并提高评估的一致性。

仔细观察一个难以看清的关节

骶髂关节位于骨盆深处，是脊柱基底与髋骨相接的部位。在轴向脊柱关节炎中，这些关节可能出现水肿、脂肪化、侵蚀和新骨形成等改变，在MRI上呈现为细微的模式。目前，受训阅片者需逐帧检查并评分这些变化，但即便是专家在不同日子或互相之间也常有分歧。作者着手解决两个相关问题：其一，教计算机在MRI上找到并描绘每个骶髂关节的轮廓；其二，训练它检测对诊断和监测重要的五类病灶。通过自动化这两个步骤，他们旨在减轻放射科医师和风湿病学家的工作量，同时在大型临床试验乃至日常临床中提高一致性。

教计算机勾画关节

为定位骶髂关节，团队设计了一种不仅将关节作为实体区域填色的方法，而是学习其边界的精确曲线。他们训练一个神经网络来预测每个MRI切片上“小箭头”的“流场”，箭头在关节外部时指向最近的关节边缘，位于边缘上的箭头则沿着边缘方向排列像路径。相同的网络还预测边界应从何处开始和结束。随后一个虚拟“行走者”从起点沿箭头走到终点，描绘出一条标记关节的开放曲线。在近1.7万张局部大型数据集上测试时，这种沿轮廓追踪的方法比更简单的基于标志点的方法生成了更平滑、更准确的关节轮廓，大多数误差小于几毫米——足以确定用于后续分级的紧凑感兴趣区。

从清晰轮廓到详尽病损图

关节轮廓一旦确定，系统便从两种突出不同组织特征的MRI序列中裁出左右骶髂关节的聚焦区域。每个关节在骨盆侧和脊柱侧被划分为四个象限。然后一个深度学习模型检查这些切片堆栈，并对每个象限及每个完整关节预测五类病变是否存在：骨髓水肿、脂肪变性、表面侵蚀、骨质硬化和关节融合。本工作的一个显著特点是如何处理人工阅片者之间的分歧。模型并不依赖单一评分，而是以多位专家的多次阅片作为训练，学习每位阅片者的评分倾向以及他们的意见如何汇聚为共同的“共识”。这使计算机能模仿专家群体的集体判断，而不是某一位观察者的观点。

在多项临床试验中证明可靠性

研究者在一项大规模强直性脊柱炎试验的MRI上训练了病变分类器，然后在两项从未用于训练的独立试验中对其进行测试。在这些研究中，系统在区分有无病变的影像方面表现出较强能力，性能随病变类型略有不同。它在检测关节融合和骨质增生等晚期变化时尤其准确，而对早期、更微妙的水肿信号则稍逊——这是影响人工阅片者的同样挑战。当将模型预测与多位专家达成的共识标签比较时，其准确性和判别能力与人类阅片者之间的相互一致程度相当，某些情况下甚至接近人际一致性水平。

这对患者和临床医生的意义

通俗地说，该研究证明计算机可以学习在MRI上追踪骶髂关节并标注重要的关节损伤模式，其技能可与人类专家相媲美，即便这些专家彼此并不总是意见一致。该系统并非替代临床判断，但它为在研究中—and 在经过进一步验证后在临床中—标准化骶髂关节MRI的阅片方式提供了一种途径。由此可望实现更快速、更一致的诊断、更好地追踪疾病对治疗的反应，以及为轴向脊柱关节炎患者开展新疗法的大规模研究带来更高的效率。

引用: Jamaludin, A., Windsor, R., Ather, S. et al. Learning from multiple readings for axial spondyloarthritis classification of the sacroiliac joints. Sci Rep 16, 9866 (2026). https://doi.org/10.1038/s41598-026-39417-3

关键词: 轴向脊柱关节炎, 骶髂关节MRI, 医学影像人工智能, 病变分类, 慢性背痛