Current Applications of Machine Learning in Spine: From Clinical View
机器学习在脊柱的应用现状:从临床观点
————————————————————————————————————
————————————————————————————————————
摘要
目的:综述机器学习(ML)在脊柱领域的应用现状。
方法:我们对2006年至2020年发表的同行评审文章进行了全面的PubMed检索，使用术语(脊柱、脊柱、腰椎、颈椎、胸椎、机器学习)来检查脊柱中的ML。然后排除其他领域的研究，病例报告，综述或元分析，以及没有可用的摘要或全文。
结果:共检索数据库文献1738篇，最终纳入研究292篇。本文对目前应用的主要发现进行了总结。这些技术的主要临床应用包括图像处理、诊断、决策支持、手术辅助、康复、手术结果、并发症、住院和费用。
结论:ML在脊柱有良好的表现和巨大的潜力。ML可以帮助临床工作人员提高医疗水平，提高工作效率，减少不良事件的发生。然而，更多的随机对照试验和可解释性的提高对临床医生在实际工作中接受模型的帮助至关重要。
机器学习 ML
ML的主要任务包括分类、回归、聚类和降维。ML过程包括数据采集、数据预处理、特征工程、模型选择、训练、模型评估和优化。数据收集是一个重要的步骤，因为数据的质量和数量直接影响结果。其次，数据预处理是为了使数据便于计算，提高计算精度，缩短计算过程。特征工程是利用领域知识从原始数据中创建特征。这在很大程度上决定了最终算法的性能，大致可以分为特征提取、特征构建和特征选择。然后，将数据集划分为训练集、交叉验证集和测试集。模型在训练集上建立和训练。然后对模型进行交叉验证集评分，以选择更好的模型。评价模型应引入多种评价方法。对于优化，最基本的方法是梯度下降算法，通过迭代最小化损失函数。
根据不同的学习形式，ML可分为有监督学习、无监督学习和强化学习。有监督学习是学习者根据标记的输入变量，以一个有根据的事实来描述输入-输出关系。8A模型分析训练数据，综合自变量和因变量之间的模式。然后预测测试数据集。而无监督学习者则是基于无标记输入来描述输入-输出关系的。算法分析输入数据的特征来识别数据的簇。强化学习是指学习者不断地与环境互动，通过尝试和错误找到最佳策略，以获得最大的回报
三种常见的ML模型是决策树学习、支持向量机(svm)和人工神经网络(ann)。分类与回归决策树(CART)实现了分类或回归任务，它比其他方法更直观、更容易理解。该树由内部节点(条件)、分支(决策)和叶子(端点)组成，计算不密集，因此适合于大数据5,12(图1)。支持向量机通过在两个结果之间创建最大裕度超平面来完成分类任务。人工神经网络是一种深度机器学习器，其灵感来自于大脑中神经元的连接和交互方式[10]。在Hebbian学习中，单个神经元组成了一个完整的网络，其中信息通过多重隐藏层从输入层流向输出层，并通过权重来操作5(图3)。
过拟合和过拟合是ML中的两个经典问题。如果一个模型过于简单，不能完全学习训练数据的特征，那么它在训练集和测试集上都表现出较低的准确率，称为过拟合。过拟合是指模型在训练集上表现良好，但在测试数据上表现较差，因为与前一个模型调整得太接近。该模型记忆特定的训练观察，但不能实际提取变量之间的一般化关系。14常用的过拟合方法有增加样本、正则化和dropout technique。
以上图片只整理了本人感兴趣的几个内容哈！！！！
————————————————————————————————————
————————————————————————————————————
图像处理与诊断
图像处理
开发ML的目的是为了减少人工劳动，节省判断任务所需的时间。15、16图像的定位、分割、分级、参数计算是一项耗时的工作，需要通过算法精确地完成。几个模型准确检测和定量测量，可与人工生成的分割。Rak等人提出了一种在三维mri中自动分割椎骨的新方法。17 CNN结合了一种基于编码交换的图切割公式，该公式可以分割多个椎骨，而不会对相邻椎骨进行模糊分割。17FU-Net将传统的基于区域的水平集与CNN相结合，实现了椎骨的精确节段，优于其他技术。18总的来说，在MRI上分割椎体和椎间盘(ivd)的深度学习管道提供了较高的准确性，并消除了费力的手工标记
Paugam等人利用监督神经网络在MRI上对脊髓灰质和白质进行单类或多类分割，在少量数据上取得了良好的结果。21此外，卷积神经网络(CNNs)模型在脊髓损伤(SCI)后病变自动分割方面表现出了最先进的性能从病灶分割中提取的体积与患者运动评分显著相关，这可能有助于推进现代化的SC MR图像分析，用于研究和临床应用。22同样，训练ML算法在腰椎mri轴向视图上分割腰椎椎管区域。23深度多尺度多任务学习网络(DMML-Net)实现了神经孔、周围椎体和椎间盘的高度精确定位和分级，用于基于病因的腰椎神经孔狭窄诊断。
除了分割，还建立了自动识别器官和病变的模型。Jimenez-Pastor等人引入了两阶段决策森林和形态学图像处理技术，自动检测和识别任意视野体CT扫描中的椎体。椎体自动检测网络在CT或未经标注的mri上达到了令人满意的准确性和精度。26,27一个自动化框架可以检测脊髓病变区域，结合弥散张量成像(DTI)指标和svm。28另一个随机森林(RF)模型29有潜在的优势，可以诊断和定位CM颈椎损伤的程度。利用体感诱发电位的时频成分。
算法自动测量脊柱参数，可媲美手工测量。有全自动的算法来评估腰椎前凸和脊柱侧凸的Cobb角[30、31]。CNN模型能够在双平面x线片上确定脊柱形状并计算姿态参数，对干预畸形或退行性变有作用。另一种新的级联放大器回归网络稳健自动配对定量测量脊柱t1加权MR[33].
诊断
在门诊初级护理中，全科医生在发现特定的放射学检查结果时，必须决定将患者转介至脊柱亚专家会诊，然而大部分转介最终未能达到手术干预的标准。
ML可提供辅助信息，优化转诊流程，节省患者和外科医生的时间。34已有报道称，深度学习已成功应用于肝脏肿块、帕金森病、髋部骨折和骨年龄估计。36-40结合多个数据，ML可以提供准确的诊断预测和风险警告。随着cnn在放射成像领域的应用日益增多，人工智能有望逐渐改变临床实践。
ML在疾病预测和鉴别方面获得了良好的诊断准确性，主要是通过放射成像。深层神经网络(款)曾预测颈脊髓病(CM)基于MRI.42 CNNs高度分化的脊髓神经鞘瘤和脑膜瘤以及结核性和使用MRI.43化脓性脊柱炎,44同样,毫升方法开发了基于3 d CT术前癌症的分化,增强CT增强MRI.15 45-47
同样，临床和放射学数据驱动的ML模型显示了对轴性脊椎骨关节炎(axSpA)放射学进展的良好预测。
ML模型可以获得肉眼无法检测到的特征。下腰痛(LBP)患者和非下腰痛患者之间，ivd和终板区的纹理特征是不同的，临床医生可能没有一致的发现RF和线性混合效应模型分析识别腰椎MRI的纹理特征，以帮助外科医生识别腰椎管病患者。间歇性跛行可能由多种疾病引起，如腰椎管狭窄(LSS)和周围动脉疾病。ML纹理分析提供了高度重复性的定量参数，提高了严重LSS检测的准确性。与使用参考截止截面积(CSA)定性评估相比，决策树分类器在LSS分级方面表现出更高的性能。
ML还增加了其他疾病检查或常规筛查的额外信息。这些特性可能会被只关注其领域的专家忽略。额外的健康评估将加强医疗保健，节省费用，减少检查辐射。有几种工具往往是鉴别骨质疏松症的极好方法，如代谢物、低频导波、CT纹理的局部分类、DXA图像片段和脊柱X线照片。52-61目前，一些深度学习模型使用脊柱X光片预测高危骨质疏松人群。62采用VGGnet进行特征提取和射频训练的最佳方法。62 Yasaka等人63使用腰椎CT操作CNNs以输出BMD，其与DXA的结果显著相关，并且表现优于椎体CT值。模型可以通过腹部CT或胸部CT预测骨质疏松症，这在日常临床实践中得到广泛应用。63,64同样，SVM分类器可以使用双能X射线吸收仪（DEXA）研究来常规识别腰椎骨折。65Jamaludin等人开发了一种自动ML模型，用于从全身DXA准确识别和量化脊柱侧凸。66
除直观的放射学检查外，ML结合各种辅助检查可提供准确的诊断。LBP与异常肌肉激活有生理关系。67个临床可解释模型使用功能运动学和肌电图（EMG）变量和FDboost对LBP产生了良好到极好的预测能力。67另一个支持向量机分析了二维行走运动，并将间歇性跛行的潜在疾病分类为79。7%的准确率。此外，SVM还应用于在脑电图（EEG）上鉴别慢性腰神经根病。69此外，ML可根据一项简单的测试提供初步疑似诊断，该测试在医疗资源有限的地区更为有效。70目的性功能损害（OFI）可以为背部和腿部疼痛的疑似原因提供线索，Staartjes等人为此进行了五次重复的坐立试验，并结合ML算法。71Tan等人72开发并验证了自然语言处理（NLP）系统，以从x射线和MR放射学报告中识别26个与LBP相关的发现。此外，深度学习算法被设计用于脊柱侧凸的自动筛查和分类，使用未覆盖的背部图像。73
治疗
ML模型已被应用于治疗决策过程，如手术水平、器械椎体和矫正范围。SpineNet自动生成MRI分级，以预测单节段减压的手术级别。74它计算了以下方面的总评分：中央管狭窄、椎间盘狭窄、椎间盘退变、腰椎滑脱、上/下终板形态变化和上/下骨髓变化。对于成人脊柱畸形矫正，人工神经网络成功地模拟了主刀外科医生在选择上固定椎体时的决策。75在另一篇文献中，Shen等人76提出了一种新的分类器，以帮助外科医生优化手术计划和治疗管理。该方法使用模糊聚类算法和描述畸形特征的3D参数对青少年特发性脊柱侧凸（AIS）进行分类。76最近，一个决策树确定了Lenke 1 AIS中自发腰椎Cobb矫正的最佳范围。此外，还建立了一种半自动方法，通过3D无标记表面形貌扫描对脊柱侧凸的严重程度和治疗组进行分类。78提出了预测AIS中曲线形状变化、曲线类型和进展的方法。79-81
最近，学者们建立了模型来自动提供植入物测量、放置轨迹、椎弓根螺钉规划和手术导航。82-84自动椎弓根检测器通过计算脊柱侧凸正面X线照片中的椎体轴向旋转值，提供了稳健的准自动椎弓根定位，用户干预最少。85这对脊椎旋转估计和3D脊柱重建非常有用。另一种术中三维椎弓根螺钉导航系统的精确度为86。1%. 83von Atzigen等人提出了一种完全无ML标记的弯曲棒植入物外科导航。86与基于标记的基准导航方法相比，这种方法所需的时间要少得多，能够与解剖结构接触，并获得更好或类似的精确度。[86]拔出强度模型预测了所选范围内密度、插入深度和插入角度的组合，以了解椎弓根螺钉拔出和术前计划。87,88此外，基于深度学习的框架可以自动调整C臂姿势，使其符合第一次X光检查所需的标准投影，并在超声图像中定位针靶，用于硬膜外针的放置。89,90
人工智能与虚拟现实仿真相结合，提供更安全的培训和客观的手术技能评估，从而改善患者护理。ANN将深入了解虚拟现实手术模拟器在手术训练中的重要性。Mirchi等人在虚拟现实模拟颈椎前路椎间盘切除术场景中使用人工神经网络来区分安全性指标。91一个ML工具评估了虚拟现实脊柱手术中的外科专业知识，并有可能用于确保未来外科医生的技术能力。92此外，确定外科实践模式将是理解外科过程的重要一步。研究人员建立了一个框架来自动识别实际模式，以区分不同经验的外科医生和手术记录。93
在SCI患者的康复中，ML框架可以支持研究人员和临床医生选择硬膜外刺激参数。94在电诱发收缩期间，SVM通过调整运动完全性脊髓损伤个体的功能性电刺激参数来提高安全性。95另一个三步ML模型提供了基于家庭自我中心视频的腱粘连抓取监控，这意味着远程cSCI治疗指导。96
预后
临床结果。术前对临床结果的预测可以提高患者的知情同意，减少药物消耗，促进康复和个性化共享决策。97,98ML算法表明术前PROMIS评分较低、合并症较少以及某些社会人口统计学因素增加了实现最小临床重要差异（MCID）的可能性，这有助于外科医生确定手术的适宜性和时机。研究人员探索了分析多种数据（患者人口统计、临床表现、DTI图）的算法，以确定脊髓型颈椎病CM的预后。设计了一些模型，用于根据腰椎间盘突出症（LDH）或LBP患者的术前因素预测结果，如VAS、ODI、mJOA和侵袭性评分。14102-105同样，ML有意义地预测了脊柱肾盂软骨肉瘤、室管膜瘤、恶性周围神经鞘肿瘤和脊柱转移患者的生存结果。106-110在脊柱转移性疾病中，SORG算法已被外部验证用于生存预测。111, 112
并发症。脊柱手术后的并发症（AE）对患者、外科医生和医疗系统产生负面影响。因此，建立预测模型以调查与不良事件相关的因素并制定风险分层策略至关重要。113研究人员提出了一套术后并发症的预测模型。他们考虑了与患者、诊断和手术相关的因素，这些因素有助于及时干预、患者咨询、准确的风险调整和质量指标。算法准确地预测了长节段融合手术中近端连接后凸和棘骨盆代偿的风险。114 115 ANN和LR模型在预测ACDF并发症方面取得了比ASA分类更好的性能。116ML比ASA评分更准确地用于并发症风险因素分析。此外，自然语言处理（NLP）算法自动检测腰椎手术中的偶发性硬膜切开、术中血管损伤和术后伤口感染。119-121因此，ML算法可以提供Ren等人5对不良事件的预测，改善风险分层，并帮助指导脊柱手术中的手术决策过程。
住院和费用
再次住院和延长住院时间（LOS）将给医疗系统带来巨大负担。ML提高了对脊柱手术后再入院预测的理解风险特征包括返回手术室、感染性休克和浅表手术部位感染。123 ARF模型表明，人口统计学特征可能比围手术期变量有更多的再入院风险。125同样，模型建议非选择性入院和留在ICU需要额外注意，以避免脊柱手术后意外延长LOS 126
同样，ML被用于预测脊柱融合的医疗成本，并为医院战略提供信息，以提高财务管理效率。127、128聚集层次聚类用于识别与较高2年手术后费用相关的因素，包括抗抑郁药、阿片类药物和行为健康服务的更多利用。129
结论
ML具有良好的性能，在脊柱领域具有巨大的潜力。ML可以帮助临床工作人员提高医疗水平，提高工作效率，减少不良事件的发生。然而，更多的随机对照试验和解释性的提高对于临床医生在实际工作中接受模型的帮助至关重要。