腰椎管狭窄症（LSS）是一种十分常见的疾病，极大影响人们的生活质量。大多数LSS患者表现为下背部疼痛，这也是寻求治疗的主要原因。很大一部分患者最终要接受腰椎MRI检查以进行诊断和治疗。

腰椎MRI是评估LSS的一个重要工具，可以准确评估中央管、侧凹和神经孔的情况。每个区域的狭窄程度在均在治疗中起到不同的作用，但在报告中详细说明这些信息十分繁琐且耗时。此外，LSS有多个分级系统，缺乏标准化的统一。

最近引进的几个可协助评估成像模式的深度学习（DL）系统，包括膝关节MRI和CT血管成像诊断脑动脉瘤，均表现出较好的诊断性能。先前提出的腰椎MRI的DL系统已经显示出极大前景，特别是使用卷积神经网络（CNN），可以从图像中自动学习代表性特征来执行分类任务。使用CNN对MRI上的LSS进行自动分级，可以提高评估的一致性、准确性和客观性。

目前，据我们所知，还没有开发出评估腰椎所有三个感兴趣区域（ROI）狭窄的DL模型。近日，发表在Radiology杂志的一项研究开发了一个DL模型，利用轴位和矢状位MRI序列自动检测和分类腰椎中央管、侧凹和神经孔狭窄的情况，并与内部测试集上的亚专业放射医师的性能进行比较，同时DL模型的性能和普适性也在外部测试集上进行了评估，为放射科医生提供一个准确可靠的LSS诊断工具。

本项研究纳入了2015年9月至2018年9月进行的腰椎MRI扫描图像。使用轴位T2加权和矢状位T1加权的图像。研究被分成内部训练集（80%）、验证集（9%）和测试集（11%）。训练数据由四位放射科医生使用预先定义的分级（正常、轻度、中度和重度）进行标记。开发了一个由两部分组成的DL模型。首先，训练一个卷积神经网络（CNN）来检测感兴趣的区域（ROI），第二个CNN用于分类。内部测试集由一位有31年经验的肌肉骨骼放射学家（参考标准）和两位亚专业放射学家（放射学家1：A.M.，有5年经验；放射学家2：J.T.P.D.H.，有9年经验）标记。对外部测试集的DL模型性能进行了评估。计算了检测召回率（百分比）、治疗者间的一致性（Gwet κ）、敏感性和特异性。

共分析了446份MRI腰椎图像（446名患者；平均年龄±标准差，52岁±19岁；240名女性），其中396名患者在训练（80%）和验证（9%）集，50名（11%）在内部测试集。在内部测试中，DL模型和放射科医生中央管召回率大于99%，与放射科医生2（97.1%）相比，DL模型（84.5%）和放射科医生1（83.9%）的神经孔召回率降低（P < .001）。对于内部测试，二分法分类（正常或轻度vs中度或重度）显示放射科医生和DL模型几乎完全一致，中央管的κ值分别为0.98、0.98和0.96；侧凹为0.92、0.95和0.92；神经孔为0.94、0.95和0.89（P<.001）。用100张腰椎的MRI扫描进行的外部测试显示，DL模型对所有ROI的二分法分类几乎完全一致（κ，0.95-0.96；P < .001）。

图 图中显示了两部分深度学习（DL）模型的流程图。首先，该模型在轴向T2加权图像上进行兴趣区域（ROI）检测（所示为中央管和一侧凹陷），然后将每个ROI分类为正常、轻度、中度或重度狭窄。在矢状面T1加权图像上，双分量DL模型也被用于神经性椎管狭窄的检测和分类。DL模型的预测对用户来说是完全透明的，在沿腰椎的ROI处显示为彩色编码的边界框。分级旁边的百分比分数代表预测类别的概率。CNN = 卷积神经网络。

本研究表明，所提出的深度学习（DL）模型可用于快速评估以MRI为基础的腰椎管狭窄（LSS）。现阶段在临床实践中，LSS的诊断仍然依赖于放射科医生的主观意见。本研究提出的DL模型可以在放射科医生的监督下提供半自动化的评估及报告，为更一致和客观的报告的提出提供了技术支持。DL模型的进一步发展可由国际专家组成的共识小组参与，以减少任何标签错误和偏见。同时，DL模型也可以在MRI上对LSS的纵向随访进行评估。

原文出处：

James Thomas Patrick Decourcy Hallinan,Lei Zhu,Kaiyuan Yang ,et al.Deep Learning Model for Automated Detection and Classification of Central Canal, Lateral Recess, and Neural Foraminal Stenosis at Lumbar Spine MRI.DOI:10.1148/radiol.2021204289