具有领域泛化的结构感知多任务学习用于鲁棒脊柱CT椎体分析

为什么更智能的脊柱扫描很重要

背痛、骨折和脊柱肿瘤影响着数百万人，但放射科医生阅读脊柱CT影像是一项繁琐的工作。每次扫描可能包含数十个椎体以及容易被忽视的细微损伤迹象——尤其是当图像来自不同医院和不同机器时更难以判断。本研究引入了一种新的人工智能系统，名为 VertebraFormer，旨在自动描绘每个椎体轮廓、确定其在脊柱中的正确位置，并标注可疑病变，同时在各种真实世界的扫描中保持可靠性。

一个系统应对多种脊柱问题

研究者没有为每项任务分别构建算法，而是创建了一个统一模型，同时处理三项任务：精确描绘每个椎体的轮廓、从颈部到下背对其编号、并指示可能代表骨折、癌症转移或其他损伤的区域。VertebraFormer 基于现代的“Transformer”架构，该架构在语言和图像理解中广为流行，特别擅长捕捉远程依赖关系。这对脊柱尤为重要，因为任何单个椎体的形态只有在脊柱整体的上下文中才有意义。

多样化的真实影像基准

为了检验其系统在实验室或单一医院之外的表现，团队组建了一个名为 MultiSpine 的新基准。它合并了六个不同的数据集，包括大型公共集合和私人医院队列，覆盖颈部、胸部和下背部区域，有些情况下同时包含 CT 和 MRI。扫描由不同品牌的扫描仪按不同成像协议采集，专家放射科医师对椎体轮廓、解剖标签以及（在可得时）病变区域进行了标注。作者还采取了非常严格的措施以确保数据集中不存在隐藏的重复项，仔细跟踪扫描标识并使用“感知哈希”（perceptual hashing）检测近似相同的图像。

AI 如何学习脊柱结构与病变

在 VertebraFormer 内部，共享的编码器首先将三维脊柱扫描转换为一组补丁，并学习这些片段在整个脊柱中的相互关系。在这个共享主干之上有三条专门分支：一条重建所有椎体的详细三维掩模；一条依次关注每个椎体，利用其位置和周围信息来判断例如是 T11 还是 L3；第三条分支生成热图，在病变可能存在的地方最为显亮。关键的是，模型还包括一个“动态调制”单元，它感知成像风格——扫描仪、协议差异，甚至 CT 与 MRI 的不同——并微调内部处理，以期在遇到不熟悉的扫描类型时仍保持准确性。

将鲁棒性付诸考验

研究者在 MultiSpine 数据集上将 VertebraFormer 与领先的脊柱分析模型进行了基准比较。它在描绘椎体轮廓、正确编号和检测病变方面持续取得更高的准确率。在更具挑战性的“零样本”（zero-shot）测试中，模型在若干数据集上接受训练，然后在完全未见过的数据集上评估，以模拟在新医院部署的场景。在该测试中，VertebraFormer 也优于其他方法且仅出现适度的性能下降。团队通过消融研究探究了设计细节，证明每个新增组件——识别分支、病变检测器，尤其是领域调制模块——都带来了可测的性能提升。尽管结构复杂，该模型在现代硬件上大约每秒处理 14 个完整三维体积，三项任务上均优于等速的多网络流水线。

应对噪声与分布漂移

真实的临床扫描远非完美，作者通过模拟扰动对模型施压，例如额外噪声、强度偏移、更厚的切片和金属伪影。VertebraFormer 在中等程度退化下保持稳定，仅在极端条件下性能才明显下降。他们还表明，当领域信息被错误指定时，性能会下降，这证实了调制机制是有实际意义而非装饰性的。与此同时，其他在线自适应策略（例如调整特征统计或在测试时最小化预测不确定性）在领域标签不可靠或不可用时可帮助恢复部分性能。

对患者和临床医生的意义

对非专业读者来说，关键信息是 VertebraFormer 将许多脊柱影像分析环节汇集到一个更快且更可靠的 AI 工具中。通过学习脊柱的整体结构、适应不同的扫描仪和医院，并同时识别解剖结构和疾病，它减少了对多个独立系统的需求，并能为放射科医生提供清晰的轮廓、一致的编号和直观的可疑区域热图。虽然它仍需在实际临床工作流程中进行前瞻性测试，并在罕见情况与多模态扫描上进行更广泛的训练，但这项工作为实现准确、可解释且足够鲁棒以在各地帮助医生的自动化脊柱评估奠定了重要基础。

引用: Du, J., Ge, H., Zhang, R. et al. Structure-aware multi-task learning with domain generalization for robust vertebrae analysis in spinal CT. npj Digit. Med. 9, 217 (2026). https://doi.org/10.1038/s41746-025-02288-5

关键词: 脊柱CT, 椎体分割, 病变检测, 医学影像人工智能, 领域泛化