使用3D卷积神经网络对CT影像中骶髂关节炎进行自动分级与诊断：一项多中心回顾性研究

这对背痛与关节健康为何重要

在青壮年期出现并逐渐加重的下腰痛有时可能提示强直性脊柱炎——一种慢性脊柱关节炎。医生依赖对骶髂关节（脊柱与骨盆相接处）的详尽影像以早期发现损害并指导治疗。但这些影像常常难以判读，不同专家之间也可能产生分歧。本研究探讨一种现代人工智能能否学会一致地读取这些关节的CT扫描，帮助更早发现严重疾病，并在繁忙门诊中支持医生的决策。

位于脊柱底部的隐蔽关节

骶髂关节深藏于骨盆深处，承载上半身重量传向双腿。在强直性脊柱炎中，长期炎症可逐步侵蚀这些关节，最终使其骨化融合，导致疼痛、僵硬和活动受限。医生按照五级评分对损害程度分级，从正常到完全融合不等。达到某些等级即可确诊并决定治疗方案。然而在常规X线片上，早期改变很微妙，即便是有经验的放射科医师也常常对分级存有分歧。CT能更清晰地显示骨质细节，但要系统地为成千上万张影像分级既耗时又费力，且许多医院缺乏专科读片人员。

教计算机看到放射科医生所见

研究者构建了一个自动化系统，模仿仔细的专科医生如何处理CT扫描，但以三维形式并且速度更快。首先，一个分割模型将骨盆骨骼从影像中分离出来，将分析聚焦到相关区域。然后第二个模型——基于一种称为3D DenseNet的深度学习架构——逐层检查骨结构并给出分级。团队使用2144例人群的CT扫描训练该系统，其中包括健康人和疑似强直性脊柱炎的患者。三位放射科医师按国际标准对每张扫描进行分级，任何分歧由高级专家裁定，从而为AI创建了严格的“教学集”。

AI识别关节损害的表现如何

在区分传统五级损害时，AI在各等级上的表现总体良好，对于最晚期疾病表现尤为出色。其将正常关节与完全融合关节从其他等级中分离的能力尤其高，接近训练有素的人类读片者的水平。对于区分最早期可见损害与极轻微变化时，系统的不确定性略有上升——这也正是临床医生最常发生分歧的范围，因为这些征象相互交叠。为了更贴近日常临床决策，团队还将五级合并为三类：正常或可疑、明确的结构性损害、以及进展性融合。在这种简化分法下，AI变得更加可靠和稳定。

证明它在多家医院也有效

任何AI工具的关键问题是它只在诞生之处有效，还是也能在使用不同扫描仪和不同病人群体的其他医院中运行。为此，研究者在两个未参与训练的外部中心的CT扫描上评估了他们的三类模型。系统保持了高准确性和信心，能正确区分无结构性损害的人与有明确疾病的人，并识别大多数进展性融合病例。可视化技术显示模型将注意力集中在与人类相同的部位——骶髂关节本身——而非无关解剖结构，这增强了临床医生对其决策的信任。

与放射科医师并肩工作，而非取代他们

团队还研究了放射科医师在有AI建议时的表现。两位有经验的阅片者先独立给图像分级，然后在查看模型输出后再次评估相同病例。在这个数字化“第二意见”帮助下，两位放射科医师的准确率均提高了约7–8个百分点，彼此之间的一致性也明显上升。AI并未消除所有不确定性，尤其是在边界性的早期病变，但它减少了分歧并提供了稳定的支持，特别是在识别更晚期损害方面。

对患者与未来护理的意义

在实践层面，这项工作表明，设计良好的3D深度学习系统能够以接近专家读片者的一致性，自动对CT影像中的骶髂关节损害进行分级。作为辅助工具而非替代品，它可帮助更早发现严重的结构性改变、在医院之间标准化诊断，并让放射科医师把精力集中在最复杂的病例上。作者指出，CT仅能显示已经成为不可逆的损害，因此MRI和临床判断仍然对发现最早期疾病至关重要。不过，作为更广泛工具包的一部分，这种基于AI的方法为针对强直性脊柱炎风险人群提供更客观、可重复的护理迈出了有希望的一步。

引用: Du, Yk., Liu, R., Guo, H. et al. Automated grading and diagnosis of sacroiliitis on CT images using a 3D convolutional neural network: a multicenter retrospective study. Sci Rep 16, 14099 (2026). https://doi.org/10.1038/s41598-026-44911-9

关键词: 强直性脊柱炎, 骶髂关节炎, CT影像, 深度学习, 放射学人工智能