脊柱神经影像学中的人工智能：下背痛新型生物标志物的诊断与预后效用

下背痛（LBP）是全球残疾的主要原因，其多因素起源使准确诊断和有效治疗规划复杂化。人工智能（AI），包括机器学习（ML）、深度学习（DL）和影像组学，已显示出改善脊柱神经影像学可重复性和定量评估的前景。本叙述性综述综合了当前关于AI衍生影像生物标志物在磁共振成像（MRI）和计算机断层扫描（CT）中的证据，重点关注椎间盘退变、椎管狭窄、终板信号异常、椎旁肌肉组成、椎体骨折和脊柱对齐。基于AI的重建、分割和分类方法可减少阅片者变异，并实现影像特征的标准化定量。然而，当前证据基础仍以技术和回顾性验证研究为主，高诊断性能不应被解释为改善患者中心结局的证据。本综述区分了技术可行性、诊断辅助、预后关联和临床效用，并强调了基于AI的脊柱影像中持续存在的疗效-效果差距。尽管整合影像、临床、生物力学和患者报告数据的多模态模型可能改善未来的风险分层，但临床转化仍受限于异质性数据集、有限的外部验证、不完整的可解释性和不断发展的监管框架。在AI衍生的影像生物标志物被视为常规LBP管理的既定工具之前，需要进行前瞻性多中心验证和结局关联评估。