2.1   人工智能在脊柱侧弯筛查中的应用   脊柱侧弯的筛查涉及人数多、范围广，便于早期发现脊柱侧弯患者，使其曲度在确诊时相对较小，从而降低了需要使用支具治疗和进行脊柱融合手术的患者数量[12-13]。 DUNN等[6]系统回顾了1966-2016年关于脊柱侧弯筛查的研究，共筛查了448 276名青少年，肯定了筛查有助于早期发现脊柱侧弯的作用，验证了广泛筛查的重要性。目前医护人员以Adam’s前屈试验为检查方式，以躯干旋转角度≥5°为疑似脊柱侧弯阈值[14]，并根据其严重程度做出适当建议。以机器学习、深度学习为代表的人工智能和带有特定程序的智能手机越来越多的应用于脊柱侧弯的筛查中，其阳性率高、操作简单、院外可访问的特点[15]，使得广泛的脊柱筛查成为可能，让更多的脊柱侧弯患者早发现、早诊断、早治疗。 2.1.1   人工智能在脊柱侧弯初期筛查中的应用   基于机器学习和深度学习进行脊柱侧弯的初期筛查是使用神经网络提取人体背部的重点特征，并将其传入分类器中进行处理，得到最后的脊柱侧弯程度，完成脊柱侧弯筛查。2000年JAREMKO等[16]首次将人工神经网络和脊柱侧弯研究相结合，在预测肋骨畸形方面显示人工神经网络平均60%的正确率，高于线性回归分析的34%，为人工神经网络技术应用于脊柱侧弯的筛查提供了方向，此后人工智能越来越多的应用于脊柱侧弯的筛查中。RAMIREZ等[17]采用支持向量机分类器基于个体背部的图像数据，来评估AIS的严重程度。但为了实现更细化的分类，需要使用多个支持向量机组合策略。YANG等[18]开发了深度学习算法模型，利用Faster-RCNNA和ResNet的组合算法对裸背部进行评估，提取二元分类和多类分类的高级特征，其准确性、灵敏度、特异性和PPV均达到理想状态。WATANABE等[19]创建了一个脊柱侧弯筛查系统，该系统基于卷积神经网络从moiré图像中估计脊柱对齐、Cobb角和脊柱旋转，识别定位了12个胸椎、5个腰椎、17个棘突并计算了每个椎骨的旋转角度，为筛查提供了新的测试方法。在筛查的过程中NEGRINI等[20]利用机器学习的分类模型，在传统躯干旋转角度筛查基础上增加了驼峰高度(mm)、性别、年龄、月经初潮、肩胛骨和肩膀的不对称等预测因素，平均预测准确率为80%，灵敏性和特异性分别为95%和83%，为建立多因素脊柱侧弯筛查模型开创先河。提示为了提高筛查的准确性，不仅要关注躯干旋转角度还要关注更多可预测因素，为未来开发更准确且易使用的筛查模型打下基础。PELC等[21]使用低成本的惯性测量单元作为筛查设备，将脊柱看作特定的动力学链并自动跟据头部、胸部区域的信号提供筛查结果，但是该研究仅初步使用模拟测试的方法测试了设备的可执行性，未来研究应纳入真实患者，完善惯性测量单元在筛查中的使用。郝子强等[22]对ResNet50 进行改进并设计了轻量化的多尺度注意力筛查系统，提出了多尺度残差特征提取模块(MRFEM)和多层次特征融合模块(MFFM)，在通过裸背图像识别脊柱侧弯严重程度上相比ResNet50总体准确率提高了11.19%，测试时长减少了2 s。 自2000-2024年，人工智能技术在脊柱侧弯早期筛查领域经历了显著的发展，发展流程见图5。在此期间，技术的不断进步和算法的持续优化显著提高了筛查的准确性；迭代、创新筛查方法和建立健全筛查系统提高了筛查的应用效率；筛查过程中的多因素综合分析提高了筛查灵敏性。尽管如此，目前早期筛查工作仍然是劳动密集型的，主要依赖于临床医护人员。展望未来，期待人工智能在脊柱侧弯早期筛查领域得到更广泛的应用。 2.1.2   人工智能在胸片筛查中的应用   在健康体检时常用胸片来检查肺部结构[23]，胸片在显影肺的同时还能显影脊柱，因此在体检时通过胸片初步筛查脊柱侧弯成为一种省时省力的方法。XIE等[24]开发了包含一个学习模块和一个推理模块的人工智能自动程序，该研究使用96张图像用于程序训练，491张图像用于测试，结果显示人工智能诊断脊柱侧弯的准确率为98.37%，特异性98.73%，灵敏度88.24%；和5°躯干旋转角度特异性100%、灵敏度47%相比[25]，有着稍低的特异性，但灵敏性远高于5°躯干旋转角度。LEE等[26]研究开发了一种基于深度学习并整合生成对抗网络的半监督学习模式，是用于胸片中的脊柱侧弯筛查工具。研究共纳入512名受试者，结果显示该工具的特异性达到98.5%，而灵敏度为28.5%，虽然特异性略有提高，但这种提升是以牺牲灵敏度为代价的，导致许多非脊柱侧弯患者需要接受额外的X射线检查以进行进一步诊断，从而增加了不必要的辐射暴露风险。LEE等[27]在LEE等[26]的研究基础上增加了简单多层感知器对胸片进行分析，经过内部和外部数据的验证，显示出良好的接收器操作特性，当灵敏度固定在0.9时，模型的特异性在内部数据集为69.7%，在外部数据集中为64.6%。胸部X射线片可显示整个胸椎和上腰椎，虽然腰部曲线看不到，但研究验证了人工智能应用于胸部X射线片可以在筛查时达到良好的特异性和敏感性，是脊柱侧弯筛查的可行方法。 2.1.3   智能手机在筛查中的应用   随着互联网的快速发展，手机的智能化和普及率逐年增高，因其廉价、高效、使用方便等特点被人们越来越多的应用于脊柱侧弯的筛查中。手机在脊柱侧弯筛查中的应用方法大致分为2类：①分析裸背图片的应用程序；②平替旋转角度尺的应用程序。ZHANG等[15]研发了由 ScolioNets 深度学习模型支持的AlignProCARE应用程序，旨在通过上传单张裸背照片至该程序来评估AIS的严重程度、曲线类型和进展风险。研究证明了该团队研发的程序在评估患者裸背照片时有着较高的灵敏度和阴性预测值，该应用程序具有院外可访、无辐射、接入方便等优点，既可以方便医生做出有效的管理决策，还能帮助患者进行足不出户、可信赖的线上筛查。VAN WEST等[28]同样使用智能手机参与AIS检查，不同的是该研究使用的是Scolioscreen(带有倾斜度计应用和保护外壳的智能手机)，以骨科医生使用旋转角度尺测量的躯干旋转角度平均值为标准来检验Scolioscreen的准确性。结果显示Scolioscreen精度高、操作简单，可以作为居家筛查的工具，但该研究样本量较小(AIS 50例)，未来应该纳入更大样本量进一步验证该模型的有效性。有趣的是QIAO等[29]、BALG等[30]使用没有保护外壳的智能手机进行研究，灵敏度和精确度反而提高。VAN WEST等[28]、DRISCOLL等[31]、IZATT等[32]却认为带有保护外壳的智能手机在筛查中的表现更优。由于关于该问题的研究过少，无法判定孰是孰非，需在未来持续研究。 2.2   人工智能在脊柱侧弯诊断中的应用   目前影像学识别已经成为脊柱侧弯诊断的重要方法[33]，医生不仅仅直观看到脊柱的结构变化，还能测量相关脊柱参数来量化脊柱疾病的严重程度。目前人工智能与脊柱侧弯诊断的联系越来越密切，基于机器学习的卷积神经网络技术广泛应用于图像识别、物体检测、信息判断等领域。该技术可以根据输入的全脊柱X射线片、CT或MRI中自动分析脊柱、测量相关参数、重建三维图像、分型脊柱侧弯并预测进展风险等，呈现智能化、准确化的趋势。另外开源人工智能也可以辅助脊柱侧弯的诊断。 2.2.1   人工智能在X射线片中诊断脊柱侧弯的应用 在筛查中发现的疑似侧弯患者通常建议去医院拍摄全脊柱X射线片，通过Cobb角的测量评估脊柱侧弯的严重程度。自1948年起Cobb角被用于评估脊柱侧弯，之后一直作为确诊脊柱侧弯的金标准。目前Cobb角的测量主要依赖于医护工作者，是一项劳动密集型的工作，其内部一致性较低。应用人工智能技术自动测量Cobb角可以提高诊断精度、简化评估流程、降低主观性、减轻医疗负担等[34]。 目前人工智能在影像图像中分析脊柱曲线的方法大概分为2类[35]：①直接估计；②分割方法，两种方法的对比解读见表1。 "

直接估计法是人工智能通过识别图像的关键部位(地标)进而测量脊柱侧弯的各项参数。2017年WU等[36]设计了BoostNet架构来识别地标并测量Cobb角，并且通过嵌入判别功能模块，提高识别脊柱地标的稳健性。但由于椎体结构紧密相连，单视图往往有着对脊柱特征展示不全的缺点，次年WU等[36]团队设计了多视图网络(MVC-Net)架构，进一步提高了所测Cobb角的准确性[35]。WANG等[37]同样基于多视图分析椎体特征识别脊柱地标，但在Wu等[36]的基础上改进了损失函数，并使用外推获得了更准确的Cobb角度，在正视图参数测量的平均绝对误差为8.81°，侧视图平均绝对误差为6.26°。GALBUSERA等[38]根据全脊柱X射线图像建立了卷积神经网络模型，通过识别锥体的单个中心点，并由此中心点画一条对角线来确定椎骨，进而测量Cobb角，结果所有测量结果都与金标准相关。WU等[39]基于深度学习研发了一种多阶段集成网络系统(MSE-Net)来自动评估AIS全脊柱 X射线图像，测量Cobb角和其他相关参数，结果显示测量参数平均绝对误差为1.07°、灵敏度高达97.35%。与GALBUSERA等[38]相比，WU等[39]的研究样本量更大，创新之处是选择4个关键点来定位椎骨，提高终椎选择的准确性。ZOU等[40]提出了一种椎骨定位和倾斜估计网络(VLTENet)的深度学习架构，该模型创新性地结合了深度高分辨率网络(HRNet)和全卷积U-Net架构，还提出了特征融合通道注意力(FFCA)模块，使其关注更多重要的脊柱特征；此外，还设计了联合脊柱损失函数(JS-Loss)来考虑脊柱形状和其他空间约束，使其关注更多重要的区域。RAHMANIAR等[41]基于卷积神经网络设计了自动测量Cobb模型Auto-CA，通过识别17块椎骨上的4个角和中点并定位上下终板来测量Cobb角，Cobb角测量值与真实值的中值差异< 5°，对称平均绝对百分比误差为5.27% 。CHEN等[42]开发软件IB Lab SQUIRREL，可通过3个步骤自动测量全脊柱X射线片上的Cobb角和冠状平衡，Cobb角测量结果为(0.16±0.35)°，组内相关系数为0.97，准确率为88.58%。 上述研究采用的是通过识别椎体进行脊柱侧弯分析的直接估计法，该方法在评估脊柱侧弯图像中有着较高的性能，能减少人力提高效率。近年来通过软件系统不断创新，测量准确率逐步提升，随着系统对椎体的定位、识别等性能的提高，未来有望代替医生进行诊断。但系统识别依赖于高质量的影像学图像，未来仍需持续改进人工智能模型，使其在普通的图像中达到较高的效能。 分割方法是人工智能在影像图像中将识别椎骨、分割脊柱和分析脊柱相结合，然后通过脊柱中线拟合或角度回归网络计算Cobb角，达到诊断的目的。ANITHA等[43-44]在2012年和2014年分别使用active contouring和filtering来识别椎体并分割脊柱关键区域，实现了全自动测量脊柱曲率，但测量值易发生偏差。SARDJONO等[45]使用physics models实现了对脊柱X射线片进行分割并全自动测量曲率，但不够灵活。这些传统的分割方法在分割脊柱的过程中可能会产生偏差，易受到图像质量的影响。分割方法通过人工智能系统实现对脊柱侧弯的精准诊断主要依赖于该系统能够准确对脊柱进行识别、分割、测量。近年来由于人工智能系统的迭代更新，诊断水平从灵活性、准确性、高效性逐步提高，近期研究汇总见表2。ZHAO等[46]使用改进的U-Net模型实现多尺度特征提取，提高分割椎骨的准确性，测量Cobb角的环形平均绝对误差为2.45°，低于手动测量的5°-7°。MAEDA等[47]研发了一种卷积神经网络框架，该框架既可用于脊柱分割和椎骨检测的预处理，还可以自动测量脊柱侧弯患者的Cobb角，不管患者姿势如何，几秒钟就可以完成对脊柱的分割并测量Cobb角，可以在大量的分割任务中减少医生的工作量。MAALIW III[48]利用卷积神经网络设计了SCOLIONET架构，该架构的平均分割精度为97.50%(索伦森-骰子系数)和96.30%(联合交叉)，平均误差为2.86°，表明该模型在分割脊柱、测量Cobb角方面很成熟，该架构可以帮助医生快速且一致地评估脊柱情况，提高了脊柱侧弯的诊断效能。WONG等[49]开发了2个卷积神经网络(一个用于分割脊柱、一个用于分割椎体)以级联方式定位椎体并导出它们的边界框倾斜角度以自动测量Cobb角，该研究使用130个数据集用于人工智能模型开发，200个数据集用于验证模型测量Cobb角的准确性，其组内相关系数为 0.92、标准误为0.79°，获得了出色的可靠性。BERLIN等[50]基于卷积神经网络开发了一种人工智能算法，能够检测并分割需要的解剖结构并全自动计算与脊柱相关的基本放射学参数，如T1倾斜、锁骨角、冠状平衡、腰椎代偿值以及Cobb 角。以100 张 X 射线图像为测试集，结果显示算法的准确率和内部一致性高，且平均需要 15 s来分析1个图像，而临床医生分析同一图像要花费3-7 min，证明了人工智能算法可以准确且高效地测量术前全脊柱图像中的冠状参数。 上述研究采用的是分割方法，该方法依赖于计算机算法模型，可以实现识别椎骨、分割脊柱和测量Cobb角相结合，目前，在X射线片图像质量良好的基础上，通过近几年不断创新与更新，分割人工智能在测量Cobb角准确性、应用灵活性、分析全面性等方面都已经得到迅猛发展，基本能完成测量任务。但分割过程中由于不标准脊柱形态及测量姿势可能会产生偏差，所以未来人工智能分割方法的发展方向应该为精准、普适、自动。"

2.2.5   人工智能在脊柱侧弯分型中的应用   脊柱侧弯的合理分型有助于临床医生制订合理的治疗方案，并预测患者的进展风险和预后。目前脊柱侧弯的分型包括Lenke[69]、King[70]、PUMC等[71]。人工智能提高了脊柱侧弯的分类速度和准确性，减少了误差，成为临床医生制订治疗决策的得力帮手。THONG等[72]基于堆叠自编码器的机器学习算法对663例患者的X射线片进行三维重建并提取重要信息，将信息进行聚类分析，扩展了Lenke分类并研究其子组的存在，使分类更加细致。 RAHMANIAR等[41]不仅设计了一种基于卷积神经网络的脊柱自动检测模型(Auto-CA)，还对纳入的脊柱侧弯患者进行了Lenke分型，平均准确率为92.4%，该方法可以辅助医生在临床上诊断脊柱侧弯、完成脊柱侧弯分型、制订手术计划。TINGSHENG等[73]基于卷积神经网络开发了一个新模型，该模型既可实现Cobb角的精确测量也可实现脊柱侧弯的Lenke分型，并基于分析结果输出相应的手术建议，其在对脊柱侧弯进行Lenke分型上展现出高度准确性和高度可靠性(组内相关系数=0.962)。虽然人工智能可以辅助进行脊柱侧弯的分型，但是目前的分型模式对患者其他的脊柱参数考虑较少，未来有望研究设计更多更精细化的脊柱侧弯分型。 2.2.6   人工智能在预测脊柱侧弯进展风险中的应用   脊柱侧弯的进展风险是由多因素决定的，如年龄、性别、骨龄、脊柱侧弯的严重程度等，全方位多因素地对其分析可以提高预测的准确性[74]。预测脊柱侧弯的进展风险可以早期发现高危人群，并将该人群作为重点关注对象为患者提供个性化的管理服务，具体研究汇总见表3。NAULT等[75]设计了脊柱侧弯患者脊柱曲线进展的预测模型，通过侧弯曲线类型、骨骼成熟度和3D脊柱参数来预测骨骼完全成熟时的Cobb角，研究显示显著的预测因子包括骨骼成熟度、曲线类型、冠状面Cobb角、最大曲率平面角和三维扭转偏移参数，该模型可以帮助医生预测进展风险并指导治疗。深度卷积神经网络在模型学习脊柱侧弯的分型中发挥重要的作用。YAHARA等[76]使用深度卷积神经网络将58例AIS患者的肺、腹部、全脊柱作为学习和预测的数据源，模型展现出69%的准确性，高于外科医生47%的准确性。KIM等[77]同样使用深度卷积神经网络设计了可穿戴惯性传感器的步态分析数据来预测患者侧弯进展风险，使用7个惯性测量单元传感器收集38例AIS患者的步态数据，生成代表关节间协调的髋膝环形图进行步态分析，在通过步态分析来预测曲线进展中实现了92%的准确度，但是该研究的样本量较小，未来的研究应该考虑增大样本量对该模型进行进一步的测试验证。与传统方法相比，人工智能模型展现了更高的预测精度，方便对患者进行个性化管理。然而鉴于数据和模型的复杂性，需要进行更全面、更深入的研究，以确保该模型能安全有效地应用于临床实践。 骨龄可以反映一个人的生长潜力，骨龄越低代表生长潜力越大，导致畸形加剧的可能性就越大，所以骨龄是判断脊柱侧弯进展风险的重要指标，对患有脊柱侧弯的年轻患者尤为重要[78-79]。人工智能可以提高骨龄测量的效率，减少误差，辅助临床医生更好地评估脊柱侧弯的进展风险。早期THODBERG等[80]研究开发了一种机器学习的模型BoneXpert，能够自动根据手部X射线片评估骨龄，该模型通过算法精确定位手和腕部的每块骨头，并据此计算骨龄，该模型的结果与人工测量结果之间的误差范围在0.52-0.68年之间，均方根误差为0.62年。ZHOU等[81]建立并验证了基于卷积神经网络的Tanner-Whitehouse 3(TW3-AI)骨骼年龄评估系统，同样利用手部X射线片评估骨龄，但其结果更优：均方根误差为0.50年，平均图像处理时间为(1.5±0.2) s。与前面2个研究不同的是XIE等[82]基于深度学习直接在双平面全长脊柱 EOS图像中自动评估Risser征和脊柱生长潜力，使用了3 383个案例用于算法的训练、440个案例用于临床验证，结果显示人工智能自动测量的准确率更高，测量时间更短，是一种值得研究并投入临床使用的方法。"