01
文献学习
今天分享的文献是由南方医科大学珠江医院汪洋教授团队联合浙江大学附属第一医院、南方医科大学南方医院、广东省人民医院等团队于2026年2月19日在《Research》（中科院1区top，IF=10.9）上发表的研究"Clinical Application of Deep Learning for Spine MRI Interpretation------A Multicenter Evaluation of Artificial-Intelligence-Assisted versus Manual Reading on Diagnostic Agreement with the Reference Standard "即深度学习在脊柱MRI诊断中的临床应用：人工智能辅助与人工判读与参考标准诊断一致性比较的多中心评估，该研究首次将深度学习模型Lumbar VNet Pro（LVP）实时集成于MRI扫描设备中 ，实现了腰椎MRI的自动定位、分割、标记与扫描参数生成**。通过多中心、1,522例患者的外部验证，系统在定位精度、诊断一致性和疾病检出率方面表现优异，尤其在腰椎间盘突出、椎管狭窄、侧隐窝狭窄等疾病的识别中，AI辅助方法（DL/HM）显著优于传统完全人工判读（FM），为MRI智能化扫描提供了全新范式。**
创新点：①首创MRI嵌入式AI系统 ：将深度学习模型直接集成于MRI硬件，实现腰椎扫描的实时自动定位与参数生成。②多中心大规模临床验证 ：基于1522例多中心数据，系统评估AI辅助与手动读片在多种腰椎病变中的诊断效能。③AI与人工协同诊断模式：提出"人机结合"诊断流程，在复杂病变中实现优于纯AI或纯手动的检测率。
临床价值：①提升诊断精准度 ：AI辅助在腰椎间盘突出、椎管狭窄等病变中AUC均超0.95，优于纯手动操作。②缩短扫描时间 ：系统将MRI定位时间从2-3分钟压缩至10-15秒，显著提升影像采集效率。③降低操作者依赖：自动化定位减少技师经验差异，提升多中心影像标准化与一致性。
图 2：LVP模型从训练测试到多中心临床测试的完整学习/执行流程图
临床MRI采集：患者完成腰椎MRI检查后，获取原始3D扫描图像，作为模型输入；
模型训练与调优 ：基于V-Net网络构建3个专用子模型（V-Net-1/2/3），分别完成腰椎间盘分割 、矢状/冠状面整体扫描方向拟合（最小二乘法） 、腰椎间盘扫描层定向确定（PCA+掩码）；
图像生成：融合矢状/冠状面整体扫描和椎间盘扫描的角度、范围，生成标准化3D切片图像；
多中心临床测试 ：将模型应用于4个中心的不同病例亚组（1022/37/371/92例），依次完成定位精度评估 和疾病诊断；
定位/诊断的核心评估参数：明确矢状面（偏移角、椎间盘垂直径、侧隐窝垂直径等）、横断面（腰大肌面积、关节突关节角等）的定量指标，及腰椎间盘突出、椎管狭窄、侧隐窝狭窄的疾病诊断指标。
02
研究背景和目的
研究背景
腰椎疾病严重影响患者生活质量，因此在临床实践中，对其进行准确且高效的诊断 至关重要。磁共振成像是腰椎评估的基石，但其传统判读存在显著局限性。首先，传统MRI诊断高度依赖放射科专家的主观经验 ，这种单维度的分析方式导致了显著的诊断 variability，有研究报告其错误率甚至超过20%。其次，在MRI图像采集的源头------扫描定位阶段，技师往往需要依靠主观经验来确定最佳扫描平面和角度。对于经验不足的操作者，精准定位尤为困难 ，容易产生定位误差。这种误差会逐级传递，影响后续对脊柱序列、椎间盘高度等关键指标的评估，最终导致诊断不确定性增加、患者不适感增强以及医疗资源利用效率降低。尽管近年来的深度学习技术为提升诊断客观性、准确性和可重复性提供了新思路，但现有的大多数AI模型主要聚焦于图像采集后的离线分析，未能实现与MRI扫描系统的实时整合，也缺乏大规模的多中心测试来验证其在多样化患者群体中的稳健性，这构成了当前技术转化为临床实际应用的主要瓶颈。
研究目的
为弥合上述临床需求与技术应用之间的鸿沟，该论文旨在开发并评估一种名为Lumbar VNet Pro（LVP）的新型AI辅助系统。该研究的首要目的是将深度学习与MRI硬件深度融合，构建首个能实时嵌入MRI扫描仪的全自动AI系统 。通过在图像采集过程中实时提供脊柱定位、平面优化和参数计算，LVP旨在从最上游的图像采集环节 介入，解决传统流程中因操作者经验差异导致的定位不准和 variability 问题。其次，研究希望通过大规模、多中心的临床试验，全面对比LVP系统在全自动模式（DL）、人机协同模式（HM）与纯人工模式（FM） 下，对腰椎疾病（包括椎间盘突出、椎管狭窄、侧隐窝狭窄）的诊断效能、定位精度和测量一致性。最终，该研究旨在验证这种实时、设备嵌入式AI系统在真实临床环境中的有效性、可靠性和工作效率，以期将放射科医师从繁琐的手动操作中解放出来，使其专注于更复杂的诊断决策，从而提升临床工作流程的整体效率和诊断的标准化水平，为AI技术在医学影像领域的真正落地应用提供关键性证据。
03
数据和方法
研究数据
训练集：2,453例MRI数据（来自4家医院）
验证集：605例
内部测试：100例
外部测试：1,522例（来自4个中心，包括GE、Philips、UI、Siemens多种设备）
分组：
DL组：完全自动AI扫描（306例）
HM组：AI辅助 + 人工调整（140例）
FM组：完全人工扫描（1,076例）
技术方法
模型构建：基于V-Net架构，训练脊柱定位、椎间盘分割、标记模块，并集成扫描参数生成模块。
测量指标：
定位精度：偏移角、椎间盘高度、椎间孔高度、腰大肌面积、关节突角度
诊断指标：椎间盘突出、椎管狭窄、侧隐窝狭窄的检出率
统计分析：
使用Bland-Altman图、ROC曲线、AUC、Wilcoxon检验等方法比较三组一致性及诊断效能。
图 1：易致误诊的临床腰椎MRI扫描示例+整体实验设计工作流图
04
实验结果
模型性能：
定位Dice：0.93；分割Dice：0.92；标记识别率：0.90；推理时间：1.1秒
定位精度：
DL组在偏移角、关节突角度、腰大肌面积等指标中误差最小，优于HM和FM
诊断一致性：
DL在椎管直径、椎间盘高度等线性测量中一致性最高（LoA窄）
FM在复杂结构（如侧隐窝）中变异性最大
疾病检出率：
HM组在83.3%的对比中检出率最高，DL组为6.7%，FM组为10%
AUC值：DL/HM > 0.98，FM > 0.96
扫描时间：
LVP引导下MRI扫描仅需10--15秒，传统方法需2--3分钟
图 3：LVP模型训练与验证阶段的性能曲线图
图 4：腰椎MRI定位精度评估图（DL/HM/FM三组对比）
图 5：精准定位对腰椎疾病诊断精度的影响图
05
研究结论
本研究通过多中心临床试验，首次验证了实时嵌入MRI硬件的深度学习系统Lumbar VNet Pro（LVP）在腰椎影像采集与分析中的临床有效性 。研究结果表明，LVP在脊柱定位、椎间盘分割与标记任务中表现出高精度（Dice系数0.92~0.93，识别率0.90），且推理速度快（平均1.1秒），可实现实时扫描引导与参数优化 。在外部1,522例多中心测试中，AI辅助方法（纯AI组与人机结合组）在腰椎间盘突出、椎管狭窄、侧隐窝狭窄三种病变的诊断效能上均显著优于纯人工组 ，AUC值均>0.95（纯人工组>0.90），其中人机结合组的疾病检出率最高（占83.3%），表现出最佳临床适用性 。此外，AI组在定位精度（如偏移角度、关节突角度、椎间盘高度）上显著优于人工组，Bland-Altman一致性分析也显示AI在线性测量中具有更高可重复性 ，减少了操作者间变异。系统还将传统需2~3分钟的定位流程缩短至10~15秒 ，显著提升了扫描效率。研究认为，LVP作为首个嵌入MRI设备的实时AI系统，具备提升诊断一致性、操作标准化及临床流程效率的潜力，为AI在影像学中的临床应用提供了可行范式和系统级验证基础。
参考文献：Xing Cheng,Maoping Zhang,Zhenxiao Ren,Tang Tang,Xiaolin Meng,Zhong Huang,Hongwei Bran Li,Weiguo Li,Qiuchan Yan,Haixiong Chen.Clinical Application of Deep Learning for Spine MRI Interpretation: A Multicenter Evaluation of Artificial-Intelligence-Assisted versus Manual Reading on Diagnostic Agreement with the Reference Standard.*Research.*2026;9:1145.doi:10.34133/research.1145
文献分享 · 目录
上一篇（综述）Annu Rev Biomed Eng（IF=9.6）上海科技大学沈定刚教授等团队：放射组学++：用于解码肿瘤异质性的生境影像分析综述下一篇Int J Surg（IF=10.1）南方医科大学珠江医院放射科全显跃等团队：CT在线计算器预测肝细胞癌术后预后及PA-TACE获益：开发与验证
阅读原文
阅读 1165