腰椎间盘突出症机器学习的研究进展LDH是一种高发病率疾病，也是导致成年人下肢感觉运动障碍的常见原因。LDH的主要症状和体征包括神经根性疼痛、感觉异常和一个或多个腰骶神经根分布区域无力。X线片是腰痛患者最常用的检查方式。磁共振成像（MRI）是评估神经根痛最常用的检查方法。大多数LDH患者采用保守治疗即有良好预后，只有少数最终需要手术治疗。随着医学技术的发展，在医疗领域产生越来越多的数据，影像图片。这些大数据中往往蕴藏着医学规律，但人类处理数据的能力有限。在计算能力、存储、内存和生成大量数据的推动下，计算机正以惊人的精度被用于执行各种复杂数据处理任务。因此，基于数学、统计学、计算机科学的机器学习（ML）在医学领域中的应用越来越广泛。

ML的相关概念

ML即利用计算机从大数据中“学习”复杂关系或模式，并因此产生将大量协变量与感兴趣的目标变量联系起来的模型。这些模型（图1）包括传统的ML模型，如决策树，随机森林，最近邻，线性回归，支持向量机，K均值等；还包括深度学习（DL）模型，如卷积神经网络（CNN），循环神经网络（RNN），生成对抗网络（GAN），递归神经网络（RNN）等。在医学领域，这意味着能够根据来自图片存档和通信系统的放射图像、来自实验室信息系统的实验室结果或从电子病历中提取的数据进行分析建模。具体功能包括但不限于病变检测和分类、图像自动分割、数据分析、放射特征提取、优先报告和研究分类以及图像重建。在科学研究和临床工作中，帮助医师做出更有效和更准确的决定。ML也可与传统统计分析并行使用，以对研究数据提供更深入的见解。基于对检索文献的阅读分析，作者把基于ML算法对LDH研究的数据主要归纳为以下三类，即人口统计学及临床数据，医学影像学数据及其他数据。

基于人口统计学及临床数据的ML对LDH研究

有研究报告，社会人口统计学数据对于描述以及确定患者诊疗经过、预后和治疗效果异质性的影响因素至关重要，人口统计学数据包括患者的年龄、性别、体重指数、疾病危险因素等信息。电子病历是临床数据的主要来源，电子病历包含与数据科学相关的不同数据源。最明显的是与个人健康状况直接相关的数据，如实验室数值、医学影像或医师的书面记录。关于LDH自动诊断涉及到3篇文献。Ren等开发了基于自然语言处理（NLP）的ML算法：长短期记忆和极端梯度增强模型，根据入院记录中的阳性症状自动区分LDH和腰椎管狭窄症（LSS），并得出与广泛使用的极端梯度增强模型相比，DL模型长短期记忆在使用阳性症状区分LDH和LSS方面表现出更好的能力。同样，Soin等收集脊柱疼痛患者人口统计学、疼痛类型、疼痛评分等特定数据点的数据，将数据输入到决策树ML软件程序中，评估是否可以通过ML算法预测与脊柱疼痛相关疾病最可能的诊断。Lewandrowski等从患者的腰椎MRI报告中提取数据，并使用NLP模型生成口头和书面报告：椎管正常或狭窄。认为DL用于生成腰椎MRI的常规报告时，是一种很好的工具。关于预测术后LDH再突出风险、手术治疗效果、药物使用时间等涉及到10篇文献。Yen等通过收集台湾LDH患者术后的人口统计学及临床数据，研究美国公民预测模型SORG（术前预测LDH患者术后阿片类药物处方延长的风险）是否适合于台湾患者。

2018~2020年，Kar⁃hade等共发表了4篇基于LDH患者人口统计学及临床数据的ML算法文章，主要研究了术后LDH患者非常规出院（除回家以外的任何出院）；未耐受阿片类药物患者在腰椎手术后长期使用阿片类药物的情况；腰椎间盘切除术后因伤口感染需要再次手术的患者以及腰椎减压手术后达到最小临床重要差异的算法。Pedersen等收集LDH术后患者的人口统计学和术前报告等16项数据，训练DL、决策树、随机森林、增强树和支持向量机模型，来预测患者术后1年的治疗效果。Harada等回顾了接受显微椎间盘切除术患者术前疼痛/残疾/功能概况和人口统计学等指标，利用极端梯度增强分类器开发了预测模型，来预测腰椎复发性椎间盘突出的危险因素。Wirries等收集由LDH引起的神经根性疼痛患者的人口统计学和ODI评分等数据来训练和测试DL算法，旨在了解DL技术是否可以预测LDH患者治疗6个月后的结果。Staartjes等收集了腰椎术后患者的人口统计学等数据，训练了基于DL网络和逻辑回归的PROM预测模型，用于术前预测术后症状改善的情况。Sha⁃mim等通过收集LDH患者后路显微椎间盘切除术后人口统计学、手术程序、术后过程等数据，开发了标准模糊推理系统来预测脊柱手术后患者的健康状况，该系统有望帮助医护人员在患者管理等方面做出更好的决策，以防止背部手术失败。

基于人口统计学和临床数据的ML对LDH的研究是LDH智能化医疗的重要组成部分。但目前在LDH诊断方面研究较少，可能是由于LDH的诊断主要依赖影像学诊断，人口统计学和临床数据包含的诊断信息有限；也可能是目前开发的ML模型泛化能力有限，无法推广使用等；但未来能否开发出更好的基于人口统计学和临床数据的ML模型用于LDH诊断？基于人口统计学和临床数据的ML在LDH其他方面的研究相对较多，主要集中在预测术后LDH再突出风险，手术治疗效果，药物使用等，但所用到的ML方法大多为有监督学习和DL，目前看来，基于人口统计学和临床数据的无监督学习算法对LDH未来的研究有广泛的前景。

基于MRI数据的ML对LDH研究

根据对文献的分析，目前ML用于LDH研究的影像，大都采用MRI图像。可能是由于MRI具有良好的分辨率，易于辨别各组织结构，且能为医师提供更多关于疾病的信息。关于疾病自动诊断涉及到4篇文献。Lehnen等利用基于U-Net的CNN自动诊断椎间盘膨出、椎间盘突出、椎管狭窄、神经根压迫和腰椎滑脱。Tsai等利用数据增强技术在YO⁃LOv3模型上训练小规模MRI数据集来自动诊断LDH，该方法显示出对于有限的临床数据集，快速初始测试和自动检测的可能性。Koh等基于腰椎矢状位MRI图像使用异构分类器开发了腰椎计算机辅助诊断框架，用于诊断椎间盘是否突出。Oktay等基于腰椎矢状MRI图像提出了一种ML框架用来自动诊断椎间盘退变，最后支持向量机分类器用于将椎间盘分类为正常或退变。关于椎间盘分级，图像分割，术后预测等共涉及4篇文献。

Jamaludin等通过训练CNN模型，可以自动从MRI图像中对腰椎间盘和椎体进行分级。Gao等引入了基于ML算法的深度ResNet方法，构建了MRI图像的ML去噪算法，此算法应用于LDH患者的诊断并分析腰椎小关节角度，腰椎间盘退变和腰椎小关节退变之间的相关性。Ghosh等提出了一种利用启发式和ML技术自动检测腰椎矢状MRI图像中所有可见椎间盘的方法，其次提出了一种同时分割腰椎矢状面MRI图像中所有组织（椎体、椎间盘、硬膜囊和背景）的方法。Lewandrowski等应用新型DL神经网络Mul⁃tusRadbote作为独立预测器，根据放射科医师的MRI分级和影像判读，预测腰椎椎间孔镜手术的预后。基于MRI数据的ML对LDH研究，无论是自动诊断还是椎间盘分级等大都采用DL的方法。对于分析图像任务，CNN网络目前已成为最常用的DL网络。迄今为止，有关DL在医学成像中的应用，大多数研究报告了非常好的结果，从而提高了人们对人工智能工具的期望。但是，大多数研究都使用小型训练集，并且训练好的模型尚未经过大量真实世界测试数据的严格验证。这些DL模型对新患者或不同临床环境的通用性仍然未知。

基于其他数据的ML对LDH研究

Staartjes等利用5次重复坐立测试时间与患者年龄、性别、身高及体重创建了一个ML算法，用于自动诊断LDH、LSS和下背痛（LBP）。使用5次重复坐立测试时，通常用脊柱健康志愿者群体的正常上限（10.5s）来识别客观功能损害，但这没有考虑个体的差异（例如高和矮，胖和瘦，年龄大小）。因此，Staartjes等又开发了一种个性化测试方法，使用ML来量化患者特定的客观功能损害。DL技术在腰骶部CT图像的自动分割和三维重建中具有重要的应用前景，Fan等通过DL在CT上实现了腰骶部结构的准确快速分割，得出基于DL的腰骶部重建模拟椎间孔成形术可能有助于在L5S1水平预测PETD的手术难度。Li等研究LDH患者和健康对照组在无疼痛的情况下进行平稳运动（左/右侧弯）时的表面脑电图。结果表明，左侧弯时LDH组与健康对照组脑电图参数有显著性差异。目前基于ML对LDH研究的数据，大多来源于人口统计学数据、临床数据和MRI数据，像上述提到的特定功能试验、脑电图、CT等数据目前研究较少。ML的潜力巨大，能否将ML技术与临床的其他指标联系起来？这也为未来的研究提供了参考方向。

小结与展望

ML是新兴的颠覆性技术，如今已达到相当高的发展水平，使其能够对多个研究领域产生实际影响。将大量数据和变量联系在一起的能力是ML模型相对于传统的基于规则的方法和传统的回归模型的主要优势，虽然ML模型“捕获数据中复杂的非线性关系”的能力毋庸置疑，但这种能力并不能为医师在诊疗时提供问题的全方位解决方案。正如之前研究所注意到的那样，ML算法可能会过度拟合数据，受临床实际情况复杂性的影响，导致“数据中的虚假相关性”，尽管算法具有预测能力，但“精确预测出的预测因子”并不是真实的原因。经实验研究已经证实DL的准确度已经达到或者超过专业医师，由于临床情况复杂多变，实际应用于临床的并不多。

目前有关ML在LDH上的研究焦点大多集中于对LDH的自动诊断及预后，对于LDH的分类以及治疗方式的选择却很少关注。如何通过ML来对LDH精确分型，并准确预测哪种治疗方式对个体最有益,这将是未来的研究方向。但也离不开临床医师的临床查体及分析病史。同时，将ML运用到临床实践中需要计算机工程师的参与，医师提出临床工作中需要解决的问题，计算机工程师负责算法的建立与验证，将工科和医学相结合，这是实现智慧化医疗的重要一步。

综上所述，虽然ML关于LDH的研究已在多方面开展，但仍处于初步阶段，但随着人工智能的快速发展与精准医学和个体化医疗理念的不断深入，更多适用于医疗行业的ML模型会被不断开发出来，随着ML技术的进步，数据分析也将会越来越精准。虽然目前来看，人工智能和ML不会取代临床医师，但ML技术可以辅助临床医生诊疗，提高工作效率，降低误诊率和漏诊率，更好地解决病痛。相信在不久的未来，ML会在临床工作中发挥出更大的作用，将会成为临床医师的“左膀右臂”。

来源：中国矫形外科杂志2023年6月第31卷第12期