Utility of machine learning algorithms in degenerative cervical and lumbar spine disease: a systematic review
机器学习算法在退行性颈椎和腰椎疾病中的应用：一项系统综述
————————————————————————————————————
————————————————————————————————————
摘要
本研究旨在探讨机器学习在颈椎和腰椎退行性疾病中的应用现状。采用系统评价和荟萃分析首选报告项目（PRISMA）指南进行系统评价。
如果将机器学习的原始研究用于退行性脊柱疾病的患者护理，则包括这些研究，包括机器学习应用。不包括专注于神经外科、导航或立体定向放射外科中机器人应用的研究。
介绍
Fatima等人开发了一种在线工具，用于预测腰椎退行性疾病术后不良事件[9]。类似地，Khan等人和Staartjes等人开发了机器学习算法，分别预测哪些患者将从脊髓型颈椎病（CSM）和腰椎间盘突出症手术中获益最大[28,39]。虽然改善患者预后的好处是显而易见的，但机器学习的效用扩展到了改进的放射学技术和诊断准确性。
Lee等人将腰椎的CT图像转换为T2加权MRI轴向切片，这可能最终为有禁忌症的患者提供MRI的替代方案[33]。Hopkins等人开发了一种诊断CSM的算法，这种算法在疾病的早期阶段很难进行临床和影像学诊断，而治疗可能提供最大的益处[22]。
在这篇系统综述中，我们重点介绍了机器学习在退行性颈椎和腰椎疾病中的应用现状。我们将研究分为放射学、诊断和预后模型，用于预测术后益处或并发症。然后，我们比较了这项研究在腰椎和颈椎疾病方面的进展，并确定了未来探索的途径，例如对颈椎机器学习算法的进一步研究。
讨论
在这篇系统综述中，我们评估了在退行性颈椎和腰椎疾病中机器学习算法的现状。
我们对研究进行分类，安排那些利用放射学模型检测硬件或解剖标志的研究，那些利用预测模型诊断或描述相关疾病过程的研究，最后，使用预测模型监测结果或并发症的患者。在退行性腰椎研究中有比颈椎更广泛的文献和临床应用，最明显的是在预测性建模研究中。
腰椎
放射图的应用
放射学模型代表了一些更复杂的诊断和预测性机器学习腰椎研究的重要组成部分。
Gros等人探索了机器学习的一些最基本的放射学应用，试图用全局优化方案算法自动识别脊髓中心线[17]。他们发表了令人印象深刻的结果，他们的算法获得98。金标准中心线的77%，误差仅为1。平均为02毫米[11]。在分析射线照相建模中算法的使用时，第一步将是识别脊柱的基本结构，Gros等人已经完成了这一步。下一步是将这些算法应用于病理性脊柱，希望提高放射学解释的诊断准确性。
Lee等人创造性地利用生成对抗网络（GANs）从腰椎CT扫描中合成轴向T2加权MRI切片[33]。两名放射科医生对结果进行了分析，发现与实际腰椎MRI扫描[33]相似度为80.2%。随着这项技术的改进，它可以提供一种更有效、更经济的选择，即使用CT扫描来获得与MRI相同的结果。这在脊髓创伤或脊髓肿瘤人群中尤其有用，因为在这些人群中，患者在磁共振成像需要的较长时间内保持静止是具有挑战性的。
诊断应用
有三项研究检验了退行性腰椎疾病的诊断模型[36,38,40]。
两项研究利用患者的人口统计资料，如年龄和性别，来创建诊断模型[36,40]。在这两项研究中，Staartjes等人也使用了5次重复坐-立测试时间，Nam等人在各自的诊断模型中使用了Hounsfield单位作为预测因子[36,40]。Bidabadi等人偏离了将标准临床测量作为预测指标的趋势，而是基于监测步态模式[38]的可穿戴传感器创建了压缩L5神经根病的诊断模型。
诊断模型的目的不应是取代，而应是增加当前的放射学解释。与医学的其他领域类似，自动化，或者至少是改进和加速对放射学数据的解释，可以改善病人的护理，减少诊断和治疗的时间，并提高准确性。最终，这可以通过提高放射学数据解释的效率来降低医院对患者和医疗系统的访问成本。
预测的应用
当机器学习算法应用于患者数据时，这些程序可以分析各种因素，并用于预测再入院率或不良事件。
Fatima等人开发了一种预测腰椎退行性腰椎滑脱(LDS)[9]术后并发症的模型。该模型经过验证，然后发表在一个开放获取网站上，医生可以输入患者信息来预测30天内[9]不良事件的发生率。
此外，Hopkins等人开发的人工神经网络(ANN)已被用于确定导致后路腰椎融合术[21]后30天再入院的最重要因素。该 ANN 模型确定了在同一住院期间再次入院重复手术干预、机械通气超过 2 天、手术部位感染、败血症和感染性休克的最可能因素 [21]。虽然这五个因素是直观的，但它们突出了一个重要的发现——所有的因素都是术后事件[21]。利用这些算法，外科医生可以用客观数据改进和增强他们的决策，以支持他们的临床或外科管理，包括改进外科候选人的选择。
颈椎
放射图的应用
机器学习在颈椎中的应用始于2014年，当时Daenzer等人使用双变量直方图检测颈椎[8]。从2015年到2020年，大多数发表的文章关注CSM的各个方面，包括预测CSM严重程度的模型，识别CSM的特征，并试图预测术后结果。也有两篇文章专门涉及ACDF，试图预测手术结果并确定使用的ACDF硬件模型[3,24]。在腰椎研究中也可以看到这种影像学建模的趋势，这可以识别植入硬件和解剖标志。然而，两项颈椎影像学模型研究都没有评估MRI发现的颈脊髓压迫迹象，这表明腰椎和颈椎之间的趋势存在差异。
诊断应用
尽管存在这种差异，但这两项检查颈椎诊断模型的研究确实在MRI上评估了颈脊髓受压[7,22]。
然而，这些研究在利用影像学对退行性颈椎疾病进行预测和诊断建模方面仍存在明显的证据不足，2019年[22]仅发表了一项研究的全文文章。在这项研究中，Hopkins等人的模型是最早准确预测临床结果的模型之一，特别是CSM[22]。在这项研究中，神经外科医生利用临床和影像学发现诊断脊髓型颈椎病[22]。然后，这些明显真实的阳性结果被用来训练深度网络，输入变量指定为脊髓压缩程度，并在最大压缩点[22]处进行MRI测量。神经网络最终被训练为输出变量mJOA评分[22]。这些算法的结果产生了86.50%的平均交叉验证精度，AUC为0.947[22]。这项事后研究证明了创建机器学习预测算法的实用性和必要性，以帮助诊断主要的临床疾病和预测准确的结果，如CSM。
预测的应用
超过一半的颈椎研究集中于预测患者术后的预后。这一趋势与我们在包括腰椎的文章中发现的相似。研究预测了术后并发症(如死亡率、30天再入院、感染等)或功能预后评分，如短形式-36 (SF-36)和Oswestry残疾指数(ODI)。
Arvind等人评估了ML算法来预测ACDF患者术后并发症，发现ANN在预测静脉血栓栓塞(VTE)、伤口并发症和死亡率[3]方面优于LR。此外，本研究发现，与ASA分级相比，ANN和LR模型都能更好地预测所有术后并发症，ASA分级是一种传统的临床测量方法，用于对患者术前[3]的风险进行分层。
其他几项关于颈椎ML的研究侧重于预测术后功能预后评估的评分，这可能表明，在预测评分显著改善的患者中，手术干预的潜在益处。Khan等人的一项研究评估了轻度退行性颈椎病(DCM)患者，通过患者人口统计资料、初始SF-36评分、手术方式、共病以及存在特定症状或体检结果[28]来预测术后1年的生活质量改善。作者描述了最可能从手术中获益的轻度DCM患者的某些“表型”，最具预测性的ML模型，Earth模型，优于LR[27]。
非外科手术应用
虽然我们的注意力通常集中在外科病人身上，但机器学习算法也可能在保守治疗中发挥关键作用。
一个应用是一个可穿戴系统，记录患者[6]的运动学数据。Conforti等人开发的该系统利用机器学习算法来分析不同举升任务的运动学。他们最终证明举重任务增加了生物力学风险[6]。生物力学是一个复杂的、多方面的脊柱研究领域，它还在不断发展。生物力学还包括人体工程学脊柱疼痛等概念。
Zemp等人在[43]的研究中分析了不同坐姿的工效学。他们分析了不同的人体工程学位置，试图将它们与脊柱相关疼痛和残疾联系起来。仅这两项研究就预测了机器学习在生物力学领域可能应用的广度。虽然我们综述中的许多研究都集中在手术分析上，但这两篇论文强调了将机器学习扩展到脊柱疼痛和残疾的保守治疗领域的能力。
未来的方向和局限
我们承认，这种系统的审查并非没有局限性。这些研究中的许多要么是在比典型临床环境更严格的控制条件下进行的，要么是由高度选定的患者组成的。因此，这可能会限制一些研究的外部效度或适用性，以当前的临床实践。此外，并不是所有的研究都按照PROBAST推荐[42]进行了充分的研究。这种模式在讨论颈椎研究和选定腰椎研究的文章中更为明显[7,8,12,22,32]。这可能与颈椎和腰椎退行性脊柱疾病发病率的差异有关，并反映了已发表的颈椎和腰椎机器学习研究之间的差异。最终，最大的限制之一是，临床医生必须愿意将机器学习融入日常实践。消除人工智能可能取代医生专业知识、而不是补充临床决策的误解，是实现这一目标的一个主要障碍。一旦神经外科医生将机器学习视为类似于FRAX的诊断工具，基于机器学习的工具的实施可能会成为优化患者护理和结果的临床标准。
总结
这是第一次对机器学习应用于退行性脊柱的全面评估。我们在研究中阐明了当前的趋势，并确定了未来指导的途径。也就是说，机器学习在颈椎退行性脊柱疾病中的应用落后于腰椎，需要进一步研究影像学、诊断和预测建模来弥补这一差距。