数据收集与数据集划分
建立多中心回顾性队列，划分训练、验证和独立测试集以评估模型泛化能力
从3家医院筛选507例连续AIS患者，按70%/15%/15%比例分层随机划分为355例训练集、76例验证集和76例独立测试集，确保同一患者的四视角X线片保留在同一子集中
关于丁香通
公司信息
个人用户
企业机构
无忧采购 轻松科研
- 移动端
基于多视角全脊柱X线片的青少年特发性脊柱侧凸Lenke分型全自动深度学习框架：开发与临床验证
Fully Automated Deep Learning-Based Lenke Classification for Adolescent Idiopathic Scoliosis Using Multi-View Full-Spine Radiographs: Development and Clinical Validation
实验完整度
高独立多中心测试集验证，含椎体检测、关键点定位、Cobb角测量、完整Lenke分型及3名外科医生一致性评估
主要模型
76例独立测试集AIS患者四视角全脊柱X线片 20例随机选取的独立测试集病例用于临床医生评估 来自3家医院的507例连续AIS患者数据 基于HRNet-W32的SpineDetector椎体检测模型 基于堆叠沙漏架构的VertebraKeypointNet关键点检测模型
重点核对
独立测试集样本量n=76，Lenke类型分布为Type 1:28例、Type 2:12例、Type 3:14例、Type 4:6例、Type 5:10例、Type 6:6例 椎体检测AP@0.75为0.858，关键点AP为0.951，Cobb角MAE为2.4° Lenke侧凸类型准确率0.895，腰椎修饰符0.868，矢状胸椎修饰符0.908，完整Lenke标签0.816 AI与资深外科医生一致性：侧凸类型κ=0.873，完整标签κ=0.781 高角度亚组（Cobb角>60°, n=11）和高旋转亚组（NashMoe III/IV级，n=18）的侧凸类型准确率分别为0.727和0.722
摘要
研究设计
回顾性验证研究。
目的
开发并验证一种全自动深度学习框架，用于基于多视角全脊柱X线片对青少年特发性脊柱侧凸（AIS）进行影像学测量和Lenke分型。
方法
回顾性筛选2019年1月至2026年1月期间在3家医院接受标准化4视角全脊柱X线摄影的连续AIS患者。该自动化框架整合了椎体检测、椎体水平关键点估计、影像学参数计算和基于规则的Lenke分型。以专家手工测量和共识Lenke分型作为参考标准。在独立测试集上使用检测和关键点指标、Cobb角测量一致性、分类准确性、临床医生一致性和工作流程效率进行性能评估。
结果
在76例独立测试病例中，该框架实现了0.858的椎体检测AP@0.75和0.951的总体关键点AP。Cobb角测量的平均绝对误差为2.4°，与专家测量具有极好的一致性（ICC=0.991；Pearson相关系数=0.987；Spearman相关系数=0.983）。Lenke侧凸类型的准确性为0.895，腰椎修饰符为0.868，矢状胸椎修饰符为0.908，完整Lenke标签为0.816。AI系统与资深外科医生之间的一致性很高（侧凸类型κ=0.873；完整标签κ=0.781）。平均处理时间为每例12.3秒，AI辅助审查将平均审查时间从每例8.2分钟减少至1.5分钟。
结论
该全自动深度学习框架实现了准确的影像学测量和Lenke分型，与脊柱外科医生具有高度一致性，并显著提高了效率。该方法可作为术前AIS评估的可解释决策支持工具。
实验结论
提炼研究问题、关键发现与证据，快速把握文章的核心贡献。
- 研究问题
- 能否开发一种全自动深度学习框架，基于多视角全脊柱X线片实现AIS的准确影像学测量和Lenke分型，并与专家评估具有高度一致性？
- 核心机制
- 该框架通过椎体检测（SpineDetector）、椎体水平关键点估计（VertebraKeypointNet）、影像学参数计算和基于规则的Lenke分型模块，模拟临床医生手工分型的几何推理流程，实现自动化分类。
- 主要证据
- 在76例独立测试集上，椎体检测AP@0.75为0.858，关键点AP为0.951，Cobb角MAE为2.4°，ICC为0.991，Lenke完整标签准确率为0.816，AI与资深外科医生一致性κ为0.781（完整标签），审查时间从每例8.2分钟降至1.5分钟。
- 研究意义
- 该框架可能作为可解释且高效的决策支持工具，用于AIS术前评估，有助于标准化影像学测量和Lenke分型过程，减少对读者经验的依赖。
研究路径
按研究推进顺序梳理实验设计、验证步骤与关键观察。
图像预处理
标准化四视角全脊柱X线片，便于后续模型处理
对X线片进行DICOM匿名化、窗宽窗位裁剪灰度归一化和z-score标准化、方向校正、空间标准化至1024×2048像素、脊柱区域对比度增强
椎体检测
在全脊柱X线片上定位各椎体的中心位置和边界区域
使用基于HRNet-W32骨干和CenterNet检测头的SpineDetector模型进行椎体定位；对Cobb角大于60°的严重侧凸病例，采用多尺度推理策略，在原始分辨率和1.5倍放大分辨率下推理并通过非极大值抑制合并预测
椎体水平关键点估计
估计椎体角点、内侧椎弓根标志点和S1上终板中点，为参数计算提供解剖地标
使用基于堆叠沙漏架构的VertebraKeypointNet模型估计关键点；在优化模型中增加S1特异性预测分支，通过扩展热图表示加入专用通道直接定位S1上终板中点
影像学参数计算
基于预测的椎体和骶骨地标，自动计算Lenke分型所需的影像学参数
计算近端胸弯、主胸弯和胸腰段/腰弯的Cobb角、T5–T12后凸角、以及CSVL与腰椎顶椎的位置关系；根据弯曲幅度和支点位上矫正程度确定各弯结构性
基于规则的Lenke分型
根据计算的影像学参数自动生成最终Lenke分型
基于规则决策模块自动生成最终Lenke分型：根据最大冠状面Cobb角确定主弯，其余弯根据幅度和结构性评估；根据CSVL相关冠状面对齐确定腰椎修饰符；根据T5–T12后凸确定矢状胸椎修饰符
独立测试集性能评估
在未参与训练和验证的独立测试集上评估模型的检测、测量和分型性能
在76例独立测试集上评估椎体检测AP@0.75、关键点AP、Cobb角MAE、ICC、Pearson和Spearman相关系数、各分型任务准确率、推理时间；计算Wilson 95%置信区间
临床医生参考工作流评估
评估AI系统与不同经验水平脊柱外科医生的一致性及AI辅助工作流效率
3名不同经验水平的脊柱外科医生独立审查20例随机选取的测试集病例；计算AI系统与各医生之间以及医生之间的Cohen's kappa；比较常规手工审查和AI辅助审查的工作流效率
错误分析与亚组分析
分析残余分型错误的模式，评估模型在高角度和高旋转亚组中的表现
分析独立测试集Lenke侧凸类型预测的混淆矩阵；对Cobb角大于60°（n=11）和NashMoe III/IV级椎体旋转（n=18）病例进行亚组分析；评估人工复核推荐标记的触发情况与错误分类的关系
研究方法
按研究目的归类文中使用的方法，便于定位所需技术。
产品清单
| 实验环节 | 名称 | 品牌 | 货号 |
|---|---|---|---|
| 深度学习框架部署 | Python Flask | -- | -- |
| PyTorch | -- | -- | |
| Celery | -- | -- | |
| Redis | -- | -- | |
| 统计分析 | R软件 | -- | -- |
关键环节
汇总复现实验时建议重点确认的条件及原文阅读提示。
| 环节 | 核对要点 |
|---|---|
| 数据集构建与划分 | 总筛选患者数507例，来自3家医院（北京安贞医院90例、北京大学第一医院225例、北京朝阳医院192例）；按中心和Lenke类型分层随机划分，比例约70%/15%/15%，对应355例训练集、76例验证集、76例独立测试集；同一患者四视角X线片保留在同一子集 阅读提示：Methods中Inclusion and Exclusion Criteria小节 |
| 图像预处理 | DICOM匿名化、灰度归一化（窗宽窗位裁剪和z-score标准化）、方向校正、空间标准化至1024×2048像素、脊柱区域对比度增强 阅读提示：Methods中Deep Learning-Based Automated Classification Methods小节及Figure 1图注 |
| 椎体检测 | SpineDetector模型基于HRNet-W32骨干和CenterNet检测头；Cobb角大于60°病例使用原始分辨率和1.5倍放大分辨率多尺度推理，非极大值抑制合并预测 阅读提示：Methods中Deep Learning-Based Automated Classification Methods小节 |
| 关键点估计 | VertebraKeypointNet基于堆叠沙漏架构；优化模型增加S1特异性预测分支，扩展热图表示加入专用通道定位S1上终板中点 阅读提示：Methods中Deep Learning-Based Automated Classification Methods小节 |
| Lenke分型规则 | 根据最大冠状面Cobb角确定主弯；根据弯曲幅度和支点位上矫正程度确定结构性；根据CSVL相关冠状面对齐确定腰椎修饰符；根据T5–T12后凸确定矢状胸椎修饰符；Cobb角在阈值±3°以内触发人工复核标记 阅读提示：Methods中Deep Learning-Based Automated Classification Methods小节 |
| 参考标准建立 | 由2名脊柱外科医生独立进行手工影像学测量和Lenke分型；分歧由资深脊柱外科医生审查解决，最终参考标准由共识确定；Nash-Moe旋转分级由同一2名外科医生独立评估，分歧由资深外科医生共识解决 阅读提示：Methods中Reference Standard Establishment小节 |
| 独立测试集评估 | 独立测试集76例，Lenke类型分布：Type 1:28例、Type 2:12例、Type 3:14例、Type 4:6例、Type 5:10例、Type 6:6例；预设评估标准包括椎体检测AP@0.75≥0.85、关键点AP≥0.95、Cobb角MAE≤3.0°、ICC≥0.95等 阅读提示：Results中Independent Test-Set Performance小节及Table 1 |
| 临床医生参考工作流评估 | 20例随机选取的独立测试集病例由3名不同经验水平脊柱外科医生（主任医师、副主任医师、主治医师）独立审查；比较手工审查和AI辅助审查的工作流效率 阅读提示：Results中Clinician-Referenced Workflow Evaluation小节及Table 2 |
| 亚组分析 | 高角度亚组Cobb角大于60°（n=11），高旋转亚组NashMoe III/IV级（n=18），同时满足两条件n=3；亚组分析结果以描述性方式呈现 阅读提示：Results中Subgroup Analysis小节 |
| 错误分析 | 独立测试集76例中8例侧凸类型误分类：2例Type 2误分为Type 1、2例Type 1误分为Type 3、2例Type 4误分为Type 2、2例Type 6误分为Type 5；误分类病例均为阈值邻近病例 阅读提示：Results中Error-Based Performance Across Lenke Types小节及Figure 3 |