深度学习在腰椎疾病诊断、手术规划及术后预测中的应用研究进展

doi:10.3969/j.issn.1006-5725.2025.06.023

摘要/Abstract

摘要：

深度学习（deep learning， DL）是一种机器学习方法，其通过多层次的神经网络模型来模拟人类大脑的工作原理，从数据中学习并提取特征，实现对复杂任务的自动化处理和学习。深度学习在图像识别、语音识别、自然语言处理等领域取得了许多重要的突破，成为当前人工智能领域的热点技术之一。随着学习技术的迅速发展，它在医学领域的应用已经取得了显著的成果，为腰椎疾病的诊断和治疗提供了新的可能性。该综述将从学习在腰椎疾病的诊断、手术规划及预测术后疗效3个方面来阐述学习在腰椎疾病诊疗中的应用与研究进展。

关键词: 深度学习, 神经网络, 腰椎疾病, 计算机辅助诊断, 腰椎影像分析

Abstract:

Deep learning （DL） is a machine learning technique that emulates the human brain's functionality through multi?layered neural network models， enabling it to learn and extract features from data， thereby facilitating the automatic processing and learning of complex tasks. DL has achieved numerous significant breakthroughs in areas such as image recognition， speech recognition， and natural language processing， becoming one of the most prominent technologies in the field of artificial intelligence. With the rapid advancement of DL technology， its application in the medical field has yielded remarkable outcomes， offering new possibilities for the diagnosis and treatment of lumbar diseases. This review aims to elucidate the application and research progress of DL in diagnosing， planning surgeries， and predicting postoperative efficacy for lumbar spine diseases.

Key words: deep learning, neural network, lumbar spine disease, computer-aided diagnosis, lumbar spine imaging analysis

中图分类号:

R459.9

胡高凯,牛亚楠,龚玉康,胡阳,徐瑞轩,高文山. 深度学习在腰椎疾病诊断、手术规划及术后预测中的应用研究进展[J]. 实用医学杂志, 2025, 41(6): 921-928.

Gaokai HU,Ya'nan NIU,Yukang GONG,Yang HU,Ruixuan XU,Wenshan. GAO. Research progress on the application of deep learning in lumbar spine disease[J]. The Journal of Practical Medicine, 2025, 41(6): 921-928.

参考文献 46

1	MAZUROWSKI M A， BUDA M， SAHA A， et al. Deep learning in radiology： An overview of the concepts and a survey of the state of the art with focus on MRI［J］. J Magn Reson Imaging，2019，49（4）：939-954. doi:10.1002/jmri.26534 doi: 10.1002/jmri.26534
2	HUANG J， SHEN H， WU J， et al. Spine Explorer： A deep learning based fully automated program for efficient and reliable quantifications of the vertebrae and discs on sagittal lumbar spine MR images［J］. Spine J，2020， 20 （4）： 590-599. doi:10.1016/j.spinee.2019.11.010 doi: 10.1016/j.spinee.2019.11.010
3	冯鹏程，曹圣伟，覃兵，等. 基于深度学习的人体腰椎MRI图像自动分割［J］. 生命科学仪器，2023，21（5）：53-57.
4	李新彤，姚宁，闫东，等. 基于V-Net卷积神经网络深度学习模型自动分割腰椎CT图像中的椎旁肌［J］. 中国医学影像技术，2023，39（6）：890-894.
5	LIAWRUNGRUEANG W， KIM P， KOTHEERANURAK V， et al. Automatic Detection， Classification， and Grading of Lumbar Intervertebral Disc Degeneration Using an Artificial Neural Network Model［J］. Diagnostics （Basel），2023，13（4）：663. doi:10.3390/diagnostics13040663 doi: 10.3390/diagnostics13040663
6	POJSKIC M， BISSON E， OERTEL J， et al. Lumbar disc herniation： Epidemiology， clinical and radiologic diagnosis WFNS spine committee recommendations［J］. World Neurosurg X，2024，22：100279. doi:10.1016/j.wnsx.2024.100279 doi: 10.1016/j.wnsx.2024.100279
7	PRISILLA A A， GUO Y L， JAN Y K， et al. An approach to the diagnosis of lumbar disc herniation using deep learning models［J］. Front Bioeng Biotechnol，2023，11：1247112. doi:10.3389/fbioe.2023.1247112 doi: 10.3389/fbioe.2023.1247112
8	韦祎，赵经纬，印宏坤，等. 基于Unet的深度学习模型在腰椎间盘突出诊断中的应用研究［J］. 中国数字医学，2023，18（12）：58-63.
9	PAN Q， ZHANG K， HE L， et al. Automatically Diagnosing Disk Bulge and Disk Herniation With Lumbar Magnetic Resonance Images by Using Deep Convolutional Neural Networks： Method Development Study［J］. JMIR Med Inform， 2021，9（5）：e14755. doi:10.2196/14755 doi: 10.2196/14755
10	SUSTERSIC T， RANKOVIC V， MILOVANOVIC V， et al. A Deep Learning Model for Automatic Detection and Classification of Disc Herniation in Magnetic Resonance Images［J］. IEEE J Biomed Health Inform，2022，26（12）：6036-6046. doi:10.1109/jbhi.2022.3209585 doi: 10.1109/jbhi.2022.3209585
11	ZHANG W， CHEN Z， SU Z，et al. Deep learning‐based detection and classification of lumbar disc herniation on magnetic resonance images［J］. JOR Spine， 2023， 6（3）： e1276. doi:10.1002/jsp2.1276 doi: 10.1002/jsp2.1276
12	HALLINAN J T P D， ZHU L， YANG K， et al. Deep Learning Model for Automated Detection and Classification of Central Canal， Lateral Recess， and Neural Foraminal Stenosis at Lumbar Spine MRI［J］. Radiology，2021，300（1）：130-138. doi:10.1148/radiol.2021204289 doi: 10.1148/radiol.2021204289
13	ZHANG T， ZHU C， ZHAO Y， et al. Deep learning model to classify and monitor idiopathic scoliosis in adolescents using a single smartphone photograph［J］. JAMA Network Open， 2023， 6（8）： e2330617. doi:10.1001/jamanetworkopen.2023.30617 doi: 10.1001/jamanetworkopen.2023.30617
14	ZHANG B， YU K， NING Z， et al. Deep learning of lumbar spine X-ray for osteopenia and osteoporosis screening： A multicenter retrospective cohort study［J］. Bone， 2020，140：115561. doi:10.1016/j.bone.2020.115561 doi: 10.1016/j.bone.2020.115561
15	XU F， XIONG Y， YE G， et al. Deep learning-based artificial intelligence model for classification of vertebral compression fractures： A multicenter diagnostic study［J］. Front Endocrinol （Lausanne）， 2023，14：1025749. doi:10.3389/fendo.2023.1025749 doi: 10.3389/fendo.2023.1025749
16	SHI W， XU T， YANG H， et al. Attention Gate Based Dual-Pathway Network for Vertebra Segmentation of X-Ray Spine Images［J］. IEEE J Biomed Health Inform，2022，26（8）：3976-3987. doi:10.1109/jbhi.2022.3158968 doi: 10.1109/jbhi.2022.3158968
17	冯世庆. 计算机视觉与腰椎退行性疾病［J］. 山东大学学报（医学版），2023，61（3）：1-6.
18	MORBÉE L， CHEN M， HERREGODS N， et al. MRI-based synthetic CT of the lumbar spine： Geometric measurements for surgery planning in comparison with CT［J］. Eur J Radiol，2021，144：109999. doi:10.1016/j.ejrad.2021.109999 doi: 10.1016/j.ejrad.2021.109999
19	LEWANDROWSKI K U， MURALEEDHARAN N， EDDY S A， et al. Reliability analysis of deep learning algorithms for reporting of routine lumbar MRI scans［J］. Int J Spine Surg， 2020， 14（s3）： S98-S107. doi:10.14444/7131 doi: 10.14444/7131
20	MAO R Q， LAN L， KAY J， et al. Immersive Virtual Reality for Surgical Training： A Systematic Review［J］. J Surg Res，2021，268：40-58. doi:10.1016/j.jss.2021.06.045 doi: 10.1016/j.jss.2021.06.045
21	BHANDARI M， ZEFFIRO T， REDDIBOINA M，et al. Artificial intelligence and robotic surgery： Current perspective and future directions［J］. Curr Opin Urol，2020，30（1）：48-54. doi:10.1097/mou.0000000000000692 doi: 10.1097/mou.0000000000000692
22	YANG X， WANG L， YANG Q， et al. Neurological Safety of Endoscopic Transforaminal Lumbar Interbody Fusion： A Magnetic Resonance Neurography Study［J］. Spine （Phila Pa 1976），2023，48（5）：344-349. doi:10.1097/brs.0000000000004496 doi: 10.1097/brs.0000000000004496
23	LI T， WU G， DONG Y， et al. Kambin's triangle-related data based on magnetic resonance neurography and its role in percutaneous transforaminal endoscopic lumbar interbody fusion［J］. J Orthop Surg Res，2022，17（1）：543. doi:10.1186/s13018-022-03428-3 doi: 10.1186/s13018-022-03428-3
24	LIPPROSS S， JÜNEMANN K P， OSMONOV D， et al. Robot assisted spinal surgery- A technical report on the use of DaVinci in orthopaedics［J］. J Orthop，2019，19：50-53. doi:10.1016/j.jor.2019.11.045 doi: 10.1016/j.jor.2019.11.045
25	ZHANG Q， HAN X G， XU Y F， et al. Robot-Assisted Versus Fluoroscopy-Guided Pedicle Screw Placement in Transforaminal Lumbar Interbody Fusion for Lumbar Degenerative Disease［J］. World Neurosurg，2019，125：e429-e434. doi:10.1016/j.wneu.2019.01.097 doi: 10.1016/j.wneu.2019.01.097
26	MATUR AV， PALMISCIANO P， DUAH H O， et al. Robotic and navigated pedicle screws are safer and more accurate than fluoroscopic freehand screws： A systematic review and meta-analysis［J］. Spine J， 2023，23（2）：197-208. doi:10.1016/j.spinee.2022.10.006 doi: 10.1016/j.spinee.2022.10.006
27	ABEL F， AVRUMOVA F， GOLDMAN S N， et al. Robotic-navigated assistance in spine surgery［J］. Bone Joint J，2023，105-B（5）：543-550. doi:10.1302/0301-620x.105b5.bjj-2022-0810.r3 doi: 10.1302/0301-620x.105b5.bjj-2022-0810.r3
28	LI Y， CHEN L， LIU Y， et al. Accuracy and safety of robot-assisted cortical bone trajectory screw placement： A comparison of robot-assisted technique with fluoroscopy-assisted approach［J］. BMC Musculoskelet Disord，2022，23（1）：328. doi:10.1186/s12891-022-05206-y doi: 10.1186/s12891-022-05206-y
29	LEE N J， BUCHANAN I A， ZUCKERMANN S L， et al. What Is the Comparison in Robot Time per Screw， Radiation Exposure， Robot Abandonment， Screw Accuracy， and Clinical Outcomes Between Percutaneous and Open Robot-Assisted Short Lumbar Fusion？： A Multicenter， Propensity-Matched Analysis of 310 Patients［J］. Spine （Phila Pa 1976），2022，47（1）：42-48. doi:10.1097/brs.0000000000004132 doi: 10.1097/brs.0000000000004132
30	SIEMIONOW K B， KATCHKO K M， LEWICKI P， et al. Augmented reality and artificial intelligence-assisted surgical navigation： Technique and cadaveric feasibility study［J］. J Craniovertebr Junction Spine，2020， 11（2）：81-85. doi:10.4103/jcvjs.jcvjs_48_20 doi: 10.4103/jcvjs.jcvjs_48_20
31	GHAEDNIA H， FOURMAN M S， LANS A， et al. Augmented and virtual reality in spine surgery， current applications and future potentials［J］. Spine J， 2021， 21（10）： 1617-1625. doi:10.1016/j.spinee.2021.03.018 doi: 10.1016/j.spinee.2021.03.018
32	JO Y Y， JANG J H， KWON J， et al. Predicting intraoperative hypotension using deep learning with waveforms of arterial blood pressure， electroencephalogram， and electrocardiogram： Retrospective study［J］. PLoS one， 2022， 17（8）： e0272055. doi:10.1371/journal.pone.0272055 doi: 10.1371/journal.pone.0272055
33	RUSHTON A， HENEGHAN N R， HEYMANS M W， et al. Clinical course of pain and disability following primary lumbar discectomy： Systematic review and meta-analysis［J］. Eur Spine J， 2020，29（7）：1660-1670. doi:10.1007/s00586-019-06272-y doi: 10.1007/s00586-019-06272-y
34	HOPKINS B S， MAZMUDAR A， DRISCOLL C， et al. Using artificial intelligence （AI） to predict postoperative surgical site infection： A retrospective cohort of 4046 posterior spinal fusions［J］. Clin Neurol Neurosurg， 2020，192：105718. doi:10.1016/j.clineuro.2020.105718 doi: 10.1016/j.clineuro.2020.105718
35	ITO S， NAKASHIMA H， YOSHII T， et al. Deep learning-based prediction model for postoperative complications of cervical posterior longitudinal ligament ossification［J］. Eur Spine J， 2023，32（11）：3797-3806. doi:10.1007/s00586-023-07562-2 doi: 10.1007/s00586-023-07562-2
36	BERG B， GOROSITO M A， FJELD O， et al. Machine Learning Models for Predicting Disability and Pain Following Lumbar Disc Herniation Surgery［J］. JAMA Netw Open， 2024，7（2）：e2355024. doi:10.1001/jamanetworkopen.2023.55024 doi: 10.1001/jamanetworkopen.2023.55024
37	CHEN Y， LIN F， WANG K， et al. Development of a predictive model for 1-year postoperative recovery in patients with lumbar disk herniation based on deep learning and machine learning［J］. Front Neurol， 2024， 15： 1255780. doi:10.3389/fneur.2024.1255780 doi: 10.3389/fneur.2024.1255780
38	KHOR S， LAVALLEE D， CIZIK A， et al. Development and validation of a prediction model for pain and functional outcomes after lumbar spine surgery［J］. JAMA Surg，2018，153（12）：e183804. doi:10.1001/jamasurg.2018.0072 doi: 10.1001/jamasurg.2018.0072
39	CINNERA A M， MORONE G， IOSA M， et al. Artificial neural network analysis of factors affecting functional independence recovery in patients with lumbar stenosis after neurosurgery treatment： An observational cohort study［J］. J Orthop， 2024， 55： 38-43. doi:10.1016/j.jor.2024.04.003 doi: 10.1016/j.jor.2024.04.003
40	HORNUNG A L， BARAJAS J N， RUDISILL S S， et al. Prediction of lumbar disc herniation resorption in symptomatic patients： A prospective， multi-imaging and clinical phenotype study［J］. Spine J，2023，23（2）：247-260. doi:10.1016/j.spinee.2022.10.003 doi: 10.1016/j.spinee.2022.10.003
41	HOPKINS B S， MAZMUDAR A， DRISCOLL C， et al. Using artificial intelligence （AI） to predict postoperative surgical site infection： A retrospective cohort of 4046 posterior spinal fusions［J］. Clin Neurol Neurosurg，2020，192：105718. doi:10.1016/j.clineuro.2020.105718 doi: 10.1016/j.clineuro.2020.105718
42	RYU S M， SEO S W， LEE S H，et al. Novel prognostication of patients with spinal and pelvic chondrosarcoma using deep survival neural networks［J］. BMC Med Inform Decis Mak，2020，20（1）：3. doi:10.1186/s12911-019-1008-4 doi: 10.1186/s12911-019-1008-4
43	KIM J K， WANG M X， CHANG M C，et al. Deep Learning Algorithm Trained on Lumbar Magnetic Resonance Imaging to Predict Outcomes of Transforaminal Epidural Steroid Injection for Chronic Lumbosacral Radicular Pain［J］. Pain Physician，2022，25（8）：587-592.
44	JUJJAVARAPU C， SURI P， PEJAVER V， et al. Predicting decompression surgery by applying multimodal deep learning to patients' structured and unstructured health data［J］. BMC Med Inform Decis Mak，2023，23（1）：2. doi:10.1186/s12911-022-02096-x doi: 10.1186/s12911-022-02096-x
45	MCDONNELL J M， EVANS S R， MCCARTHY L， et al. The diagnostic and prognostic value of artificial intelligence and artificial neural networks in spinal surgery： A narrative review［J］. Bone Joint J， 2021， 103（9）： 1442-1448. doi:10.1302/0301-620x.103b9.bjj-2021-0192.r1 doi: 10.1302/0301-620x.103b9.bjj-2021-0192.r1
46	Azad T D， Vattipally V N， Ames C P. Personalizing adult spinal deformity surgery through multimodal artificial intelligence［J］.Acta Orthopaedica Traumatologica Turcica， 2024， 58（2）：80-82. doi:10.5152/j.aott.2024.23215 doi: 10.5152/j.aott.2024.23215

[1]	胡希,李艳,刘洋. 深度学习在辅助生殖技术领域的应用进展[J]. 实用医学杂志, 2024, 40(7): 893-897.
[2]	韩文杰,周友田,黎振声,康健捷,邓兵梅. 癫痫患者共患抑郁和焦虑危险因素分析及其与生存质量的关系[J]. 实用医学杂志, 2024, 40(4): 460-465.
[3]	向佳,陈茜彤,卢颖欣,郑思捷,黄俊杰,陈莹莹,黄绥丹,陈淮. 基于深度学习在弥漫性囊腔性肺疾病分类中的应用[J]. 实用医学杂志, 2024, 40(19): 2747-2754.
[4]	李欣雨,吴洋,张红梅,尹立雪,彭博,谢盛华. 深度学习技术在超声心动图图像质量控制中的应用[J]. 实用医学杂志, 2024, 40(1): 108-113.
[5]	郭润财,王蕾,黄振国,席霖枫,张帅,刘敏. 基于从头训练模式深度学习卷积神经网络模型评估急性肺栓塞的价值[J]. 实用医学杂志, 2023, 39(22): 2979-2983.
[6]	朱小飞钱世宁曹慧玲吴玲. 基于OPLS⁃DA 在乳腺癌诊断中的价值和人工神经网络算法研究血细胞参数[J]. 实用医学杂志, 2022, 38(18): 2266-2271.
[7]	罗刚泮思林乔思波庞善臣陈涛涛孙玲玉董玉坤. 深度学习技术在胎儿超声心动图图像自动识别中的应用[J]. 实用医学杂志, 2022, 38(14): 1830-1833.
[8]	赵艳娜柳俊谢荣理张俊顾建华费健付庄. 计算机辅助诊断系统与TI-RADS分级及超声评分法对甲状腺良恶性结节诊断价值的比较 [J]. 实用医学杂志, 2021, 37(13): 1746-1749.
[9]	车思雨, 蒋依宁, 韩广庆, 赵文静, 李国生, 李智勇. 基于CT图像的神经网络模型鉴别纯磨玻璃样微浸润性腺癌和浸润性腺癌[J]. 实用医学杂志, 2020, 36(23): 3273-3278.