用于在C7被肩部遮挡的胸片中稳健测量颈椎参数的分层深度学习流程

为什么颈部X光需要“助手”

当医生为颈部手术做计划或随访脊柱问题的进展时，他们依赖于从侧位颈椎X光中获得的精确测量。这些角度和距离描述了颈部的曲度以及与身体其余部分的对齐情况，与疼痛缓解、神经功能和长期结局密切相关。然而在日常临床中，这些测量既耗时，又可能因不同专家而有所差异，而且当最低颈椎（C7椎骨）部分被患者的肩部遮挡时，测量结果常会受到干扰。本研究提出了一种专门为应对这一现实问题而设计的新型人工智能（AI）系统。

日常颈部影像中的棘手问题

颈椎的侧位X光是全球脊柱门诊的常用检查。医生从这些图像中测量颈椎后凸（颈椎前凸）的程度、各椎体的倾斜角以及头部相对于脊柱的前移距离。这些数值有助于决定是否需要手术、采用何种手术方式以及评估患者的恢复情况。然而，手工测量既耗时又不一致，尤其是在不同临床医生在同一张图像上划线略有差别的情况下。更麻烦的是，很多X光片中位于颈部基底的关键参考点C7常被肩膀部分或完全遮挡，即使是专家也难以做出准确测量。

分步AI系统如何读取脊柱

为了解决这一问题，研究者构建了一个“分层”或分步的深度学习流程，模拟细致的人工在处理难看图像时的做法。首先，一个全局模型对整个X光片（按标准正方形大小重设）进行扫描，粗略估计从C2到C7的重要点位。接着，不是就此止步，而是一个独立模块根据上方可见的骨性结构估计被遮挡的C7区域应处的位置。在此引导下，系统会在颈部上端（C2）和下端（C7）附近裁切高分辨率图像。随后两个专用模型重新检查这些较小的图块，微调关键角点和中心位置。最后，系统将精细化的上下端标志点与原始的中颈点结合，计算出临床重要的角度和位移量。

将系统付诸考验

团队使用超过5600张来自多国的数据集进行模型训练，这些数据集有意包含了许多C7视图不佳的困难病例。随后他们在两个独立人群上测试系统：一组为同一医院的内部数据，另一组为公开数据库中专门增加了C7部分或完全被遮挡影像的外部数据。在两组测试中，AI对颈椎曲度和椎体倾斜的测量与专家绘制的“金标准”高度一致。在具有挑战性的外部数据上，主要参数的配合度均处于“优秀”区间，典型误差仅为数度。重要的是，分层流程优于更简单的一步模型，尤其是在C7被遮挡时表现更好。在一些最困难的病例中，它将大约10度的显著误差降低到不到四分之一度，有效挽救了原本不可靠的测量结果。

比人类读片更稳定

研究者还将AI的重复性与人类专家进行了比较。当同一位专家对同一张图像重复测量时，某些角度——尤其是与C7相关的角度——在两次测量间可能出现明显差异。相比之下，当AI重复处理同一张X光片时，其输出几乎完全一致。值得注意的是，AI与每位专家之间在困难的C7相关角度上的一致性，比两位专家互相之间的一致性还要高。这表明该系统并非取代临床医生，而是可以作为一种稳定、标准化的测量工具，减少人为变异，尤其在边界或被遮挡的病例中更有价值。

对患者和门诊的意义

对患者而言，实际意义在于计算机现在可以帮助脊柱外科医生更快、更一致地解读颈部X光，即便图像部分难以辨认。本研究表明，经过精心设计的多步AI系统能够应对杂乱的真实世界影像条件，而不只是依赖完美的图像。尽管还需在术后影像、不同扫描仪以及全脊柱视图上进一步验证该方法，分层流程为自动化颈椎分析设立了新的标杆。它指向这样一个未来：AI在后台默默工作，标记有问题的图像供人工复核，并提供可信的测量结果以支持更安全、更精确的诊疗。

引用: Kang, DH., Park, SJ., Park, JS. et al. Hierarchical deep learning pipeline for robust cervical parameter measurement in radiographs with C7 obscuration. npj Digit. Med. 9, 261 (2026). https://doi.org/10.1038/s41746-026-02455-2

关键词: 颈椎, 医学影像人工智能, 深度学习, 脊柱对齐, 放射片分析