【脊柱三维分类】转移瘤、感染与正常识别的最新研究进展
脊柱转移瘤、感染性病变和正常椎体之间的影像鉴别，是骨科、肿瘤科、感染科和影像科共同面对的高频难题。2025 年发表在 Diagnostics 的最新研究使用 YOLOv8 深度学习模型，在脊柱 MRI 上自动检测并分类椎体病变，为"脊柱转移瘤、感染、正常"的三维分类项目提供了技术参照。
需要说明的是，这篇论文的原始任务不是三维三分类，而是基于二维矢状位 MRI 的五类椎体病变检测与分类。它的价值在于：证明深度学习模型能够在相似形态的椎体病变之间进行自动化区分，也暴露出走向三维体数据和正常对照组时必须解决的问题。
一、研究背景
脊柱是肿瘤转移和感染性病变的常见受累部位。转移瘤可能带来病理性骨折、脊髓压迫和神经功能损害；感染性脊柱炎或椎间盘炎则需要尽早识别，以便启动抗感染治疗并判断是否需要手术干预。
临床上，两类病变在 MRI 上有时会出现相似表现，例如骨髓信号异常、椎体塌陷、软组织受累和强化改变。正常椎体、退变改变、良性血管瘤和骨质疏松压缩骨折又会进一步增加鉴别难度。
二、研究创新点
最新论文的核心创新，是把 YOLOv8 这类目标检测模型用于椎体病变的自动定位和分类。与单纯图像分类不同，目标检测模型能够同时回答两个问题：病灶在哪里，以及它更像哪一类病变。
研究纳入 235 名患者、392 个椎体病灶，使用 T1 和 T2 加权矢状位 MRI 图像。诊断类别包括急性压缩骨折、椎体转移瘤、椎体血管瘤、非典型椎体血管瘤和脊柱感染。
三、技术原理
YOLOv8 属于单阶段目标检测模型。它把输入图像划分为多个区域，同时预测病灶边界框、类别和置信度。研究者由有 15 年经验的放射科医生进行标注，再通过裁剪、旋转、剪切、加噪和亮度调整等数据增强方式扩大训练集。
对于"转移瘤、感染、正常"的三维项目，可在此基础上从二维 JPEG 切片转向 DICOM/NIfTI 体数据，从病灶框检测转向椎体级三分类，并引入三维 CNN、3D Swin Transformer 或 2.5D 多切片融合网络。
四、实验结果
在独立测试集中，YOLOv8 模型表现出较稳定的椎体病变识别能力：T1 加权图像分类准确率为 0.84，T2 加权图像分类准确率为 0.85；T1 数据集 F1 分数为 0.83，mAP50 为 0.82；T2 数据集 F1 分数为 0.82，mAP50 为 0.86。
值得注意的是，T1 序列中脊柱感染分类准确率最高，达到 0.94；T2 序列中转移瘤分类准确率达到 0.89。这提示三维项目不应只依赖单一序列，而应考虑多模态融合。
五、技术优势
这类 AI 分类系统的优势主要体现在速度、一致性和可扩展性。目标检测模型可在较短时间内给出病灶位置和类别提示，适合高通量影像筛查；模型对同一标准的执行更加稳定，有助于减少不同医生之间的主观差异。
对于三维三分类项目，最重要的不是简单追求更复杂的网络，而是建立清晰标签体系：正常椎体如何定义，感染是否包含早期椎间盘炎，转移瘤是否区分溶骨性和成骨性，压缩骨折合并转移时如何归类。
六、应用前景
未来的三维分类系统可以服务于多个临床场景：在肿瘤随访中自动筛查新发椎体转移；在感染诊疗中辅助识别早期 spondylodiscitis；在正常体检或机会性筛查中快速排除明显异常，降低医生处理大批量阴性影像的负担。
如果进一步结合肿瘤史、发热、CRP/ESR、白细胞计数、免疫抑制状态和疼痛模式，模型有望从"影像三分类"升级为"临床影像联合决策支持"。
七、研究局限性与未来方向
现有最新研究仍存在局限：单中心回顾性、患者数量有限、使用二维矢状位图像而非完整三维体数据、没有真正的正常对照组，也没有将模型与多名专家读片进行系统比较。这也正是三维三分类项目的机会所在。
八、结论
脊柱转移瘤、感染和正常椎体的自动化分类，正从"能不能做"进入"如何做得可靠、可解释、可推广"的阶段。2025 年 YOLOv8 椎体病变 MRI 研究说明，深度学习已经能够在复杂椎体病变之间取得接近临床可用的分类表现。
一句话总结：三维分类项目的关键不只是模型更深，而是数据更真实、标签更清楚、验证更接近临床。
参考文献
-
Er H, Tören M, Asan B, Kaba E, Beyazal M. Deep Learning-Based Differentiation of Vertebral Body Lesions on Magnetic Resonance Imaging. Diagnostics. 2025;15(15):1862. DOI: 10.3390/diagnostics15151862. PMID: 40804827.
-
Duan S, Dong X, Hua R, Zheng Z, Ren X, Cao Y, Wu W, Rong L, Liu B. Accurate Differentiation of Spinal Tuberculosis and Spinal Metastases Using MR-Based Deep Learning Algorithms. Infection and Drug Resistance. 2023. PMID: 37424672.