用于快速筛查和定位脊髓硬脊膜动静脉瘘以优化临床流程的深度学习

这对患者和医生为何重要

背部和腿部无力、行走困难或膀胱问题常被归咎于衰老或常见的脊柱疾病。但在部分患者中，真正的罪魁祸首是脊髓包膜上一个微小的异常血管——脊髓硬脊膜动静脉瘘（SDAVF）。这些瘘容易被忽视，难以发现，从而延误治疗并导致永久性神经损伤。本研究介绍了一种能够快速且准确读取脊柱血管扫描的人工智能（AI）系统，帮助医生用更少的精力发现这些隐藏问题。

导致严重脊柱问题的隐匿原因

SDAVF是最常见的脊髓血管畸形类型，但总体仍然罕见且常被漏诊。其症状——逐渐出现的腿部无力、麻木或膀胱肠功能障碍——可与许多其他脊柱疾病相混淆。如果瘘管未能及时治疗，高压血流可损害脊髓周围静脉，导致不可逆的残疾。临床上，医生目前依赖一种称为数字减影血管造影的侵入性检查，该检查流程漫长、使用放射线和造影剂来详细描绘脊髓血管。一种创伤更小的扫描方法CT血管造影（CTA）已用于此类工作，但将原始数据转换为可用的三维图像既慢又繁琐，很大程度上依赖技师的技术和耐心。

将复杂扫描转化为清晰结论

为了解决这一瓶颈，研究者构建了一套名为SDAVFdoc的自动化系统来读取全脊柱CTA扫描。系统不需要人工浏览上千张薄层图像并手工重建血管，而是将任务拆分为若干逻辑步骤。首先，一个深度学习模型勾画出脊髓本体，从而缩小搜索区域。第二个模型随后在该区域内搜索异常引流静脉的簇状结构，这是SDAVF的关键影像学特征。如果该簇达到一定大小，系统即将该扫描标记为可能阳性。

定位确切的病灶点

在判定是否可能存在瘘管后，SDAVFdoc还需要告诉医生具体该看哪里。为此，额外的AI模型识别出从第1胸椎到第5腰椎的椎体中心，然后定位左右两侧脊神经离开的位置，即椎间孔。利用这一内置的脊柱地图，系统缩小出现引流静脉的纵向节段范围，然后围绕每个椎间孔裁切小的三维体块。最后一个深度学习模型检查这些微小区域，并挑选出最可能包含瘘管的区域，有效地指向脊柱的具体侧位和节段等级。

准确性、速度与真实世界测试

团队在来自三家医院的718例患者的CTA扫描上训练并测试了SDAVFdoc，样本包括确诊为SDAVF的患者和非SDAVF患者。静脉簇检测模型在区分SDAVF与非SDAVF病例方面表现出高准确性，在多个测试集上F1分数超过0.93。最终的瘘管定位模型也表现强劲，其区分真伪病例的能力（AUC）稳定在约0.93–0.95。两位经验丰富的放射科医师认为超过90%的自动生成静脉图像在诊断上达到可用或优秀水平。同日常临床实践相仿的一项前瞻性试验中，该AI系统将每例的平均后处理时间从约41分钟缩短到略超1分钟，并将鼠标点击次数从750次以上降至不到10次。

对未来护理的意义

对患者而言，这项研究预示着一种未来：危险但可治疗的脊髓血管问题能更可靠、更早地被发现，从而在造成持久损害前得到处理。对医生和技师而言，SDAVFdoc提供了一种将繁重且依赖专业经验的任务转为自动后台流程的方法，输出清晰的瘘管候选位置。尽管该系统仍需在其他更罕见的脊髓血管疾病以及下脊柱以外的区域进行测试，但它已显示出AI可以安全承担复杂图像重建的大部分负担。在实际层面上，这一工具可帮助医院缩短检查流程、减少需用大量辐射的程序，并更快地引导专家定位那一处微小缺陷——这往往决定了瘫痪与康复之间的差别。

引用: Zheng, F., Cao, X., Xu, J. et al. Deep learning for fast screening and localization of spinal dural arteriovenous fistulas to enhance clinical workflow. npj Digit. Med. 9, 296 (2026). https://doi.org/10.1038/s41746-026-02474-z

关键词: 脊髓硬脊膜动静脉瘘, CT血管造影, 深度学习, 医学影像人工智能, 脊髓血管畸形