意大利米兰Galeazzi矫形研究院生物结构力学系的Fabio Galbusera等阐述AI和ML技术在脊柱研究中的应用，简要讨论医疗保健中使用AI和ML的主要伦理问题。文章发表于2019年3月《JOR Spine》在线。

——摘自文章章节

一、 AI和ML在脊柱研究中的应用

1.脊椎结构的定位和标记

ML方法已经用于X线平片、CT扫描和MRI成像等放射学图像中提取椎骨、椎间盘和脊柱形状等信息。研究人员用分类树和分类随机森林方法，定位MRI成像中椎间盘核心位置和椎骨侧弯、畸形或固定装置，平均误差分别为6.2mm和6～8.5mm。

最近，人工神经网络（artificial neural networks，ANNs）和深度学习应用于脊柱结构的定位。研究者用随机森林分类器混合方法、六层神经网络、3D数据集方法定位椎间盘核心或椎体，取得与人类专家共识的结果。如今，检测和标记功能已经集成在商用临床成像软件中。

2.图像分割

在医学影像学中，除识别椎间盘等结构的像素之外，已将分割算法用于确定某特定结构（如，L1-L2或L2-L3）。这种类型的分割称为“实例分割”。近年来，已有专为分割设计的卷积神经网络（convolutional neural networks，CNNs或ConvNets）。Chen和Lessmann等进一步引入3D卷积层的深度CNN分割和带有记忆组件的3D CNN分割技术。但脊柱解剖结构的分割还有很大的空间进行改进。

3.计算机辅助检测和诊断成像

1988年，Bound等用一台多层感知器诊断下腰痛和坐骨神经痛，诊断准确率为77%～82%，高于人类医生的准确率（68%～76%）。如今，ML已用于脊柱疾病的诊断成像，包括退行性疾病、脊柱畸形和脊柱肿瘤。计算机辅助诊断的医学成像最初采用非ML技术或简单的ML方法，如贝叶斯分类器。2000年至2010年，浅层神经网络（如感知器）用于多种脊柱病变诊断，包括检测骨赘。2011年，Ghosh等比较几种不同的分类器，包括支持向量机（support vector machine，SVM），认为SVM技术有很高的诊断准确性。最近，Niemeyer等使用深度CNN和增加训练集大小的前提下，应用Pfirrmann分类系统将椎间盘退变自动分级的准确率提高到97%。

计算机辅助检测（computer-aided detection，CADe）系统，已作为计算机程序描述和定位医学影像片中的病变。对脊柱疾病的研究中，CADe系统成功地检测和进行椎体压缩性骨折的分类。目前正在开发用于CT扫描检测脊柱转移肿瘤的CADe系统。ML必将给脊柱疾病的诊断带来革命性的进展。

4.预测结果和支持临床决策

“预测分析”是统计学的一大分支，根据过去得到的数据对未来进行预测，在很大程度上得益于新的AI技术和大数据来源。医疗保健的预测分析，包括识别预后不良的慢性患者、药物个性化应用和开发新疗法、预测住院期间发生不良事件和优化供应链等等。在过去的十年中，几项研究提出预测脊柱手术预后的模型，预测内容包括术后Oswestry残疾指数（Oswestry Disability Index，ODI）评分、手术并发症、患者再入院和重返工作岗位状况、手术部位感染和围手术期输血的必要性等。

在临床实践中，预测分析作为诊疗决策的支持工具（decision support tool，DST）而被广泛应用。例如，干预Nijmegen慢性下腰痛的决策是基于人口学特征、疼痛、躯体感觉、心理学、功能和生活质量等因素，作出手术治疗或保守治疗或不干预的决定。

5.基于内容的图像检索

在大型医院图像数据库内的资料搜索，通常是人工依据关键字完成的，其过程繁琐、容易出错和成本高。近年来，基于内容的自动图像检索（content-based image retrieval，CBIR）受益于ML技术而取得进展。

6.生物力学

ML已用于研究生物组织的材料性质，如评估成人获得性扁平足的韧带僵硬度与足部运动学之间的关系，膝关节胫骨平台与股骨髁软骨的应力等。目前，ML在肌肉骨骼生物力学的应用还处于初级阶段，然而现有的研究证明ML的潜力。

7.运动和步态分析

传统的步态分析包括测量时空参数、运动学参数和动力学参数。然后，将这些参数的值与参考范围进行比较，分析患者的功能状况和治疗后的恢复情况。最近的研究使用SVM等ML技术对异常步态模式进行分类，根据步态模式鉴别诊断腰椎管狭窄患者的L4或L5神经根病变，决定慢性下腰痛功能康复计划。

二、伦理和监管问题

AI在医疗保健领域的应用，特别是作为直接影响临床的诊疗工具，正在进行角色的转变。这种角色转变涉及到几个主要的伦理问题：第一个问题是“决策的问责”，如果预测错误，确定责任是由使用AI系统的放射科医生、设备本身还是由制造商承担？第二个问题是发生“预测偏差”，是无意，还是故意造成？第三个问题是“数据隐私和安全”，因为培训和验证工具需要大量的临床和影像学数据，涉及数据收集、传输及存储和知情同意等问题。公开ML模型和培训数据或许可以增强公众信任度，改善问责和预测偏差，但也涉及患者的隐私权。因此，政策制定者和监管机构都应关注伦理问题。

作者指出，AI和ML是新兴的颠覆性技术，目前已经发展到相当高的水平，影响许多研究领域。AI和ML技术将医学影像学数据的深刻理解与脊柱生物力学研究紧密结合，将促成脊柱研究的深入发展和提高临床诊疗脊柱疾病的效果及安全性。