European Radiology：EOS x线片上基于深度学习的脊柱生长潜力识别

脊柱生长潜力的确定对于患有脊柱疾病的年轻患者，特别是那些患有发育相关畸形(如脊柱侧、后凸) 的患者来说是极其重要的。有研究显示，更高的脊柱生长潜力与更大的畸形恶化的可能性相对应。为了改善预后，准确地确定眷柱的生长潜力是十分必要的，以表明畸形是否会保持静止。正确评估脊柱生长潜力使临床医生能够确定治疗契机，并确定适当的治疗干预措施，以确保畸形的有效控制，最终防止其进展到非手术治疗效果较差的晚期。

随着深度学习 (DL) 技术变得越来越全面，人们越来越期望计算方法将超越医疗任务中的传统限制。深度学习是人工智能的一个分支，目的是模仿生物网格-神经元连接使机器像人类一样思考。近年来，通过深度学习技术的应用，计算机视觉领域取得了长足的进步。在某些任务中，精心设计的深度学习方法已经证明有能力匹配甚至超越人类的视觉能力。在医学图像分析领域，深度学习已经在目标定位、分类、分割、量化、图像融合等方面取得了可喜的进展。

近日，发表在European Radiology杂志的一项研究开发了一种基于计算机的自动方法，可以帮助临床医生根据EOS x线片评估脊柱生长潜力。

本项研究开发了一种基于深度学习(DL)的算法，该算法可以模拟人类的判断过程，自动确定脊柱生长潜力和基于全长脊柱EOS x线片的Risser征象。研究共收集了3383个EOS案例用于算法的训练和测试。随后，完成的DL算法在另外440例病例中进行了临床验证，并与四位临床医生的评估进行了比较。

对于Risser sign，研究所提出的DL算法加权kappa值为0.933，而4位临床医生的加权kappa值为0.909 ~ 0.930。在脊柱生长势评估中，DL算法kappa值为0.944，而4位临床医生的kappa值分别为0.916、0.934、0.911、0.920。此外，与四位临床医生的最佳值相比，DL算法获得了略高的准确率(0.973)和约登指数(0.952)。此外，DL算法的推理速度为15.2±0.3 s/40，远快于临床医生的推理速度(177.2±28.0 s/40 ~ 241.2±64.1 s/40)。

 表 DL Risser符号结果与性别交叉表

与临床医生相比，研究所提出的算法在评估脊柱生长潜力方面表现出相当甚至更好的性能。该算法稳定、高效、方便，是一种很有临床前景的辅助医生临床实践的方法，值得进一步研究。

原文出处：

Lin-Zhen Xie,Xin-Yu Dou,Teng-Hui Ge,et al.Deep learning-based identification of spine growth potential on EOS radiographs.DOI:10.1007/s00330-023-10308-9