Four-grade lumbar foraminal stenosis grading on sagittal T2-weighted MRI: a patient-disjoint evaluation of ordinal modelling, moderate-to-severe auxiliary supervision, and fixed DeiT fusion
本研究评估了在矢状位 T2 加权 MRI 上自动进行的四级腰椎椎间孔狭窄分级，结果表明，序数建模或中度至重度辅助监督对于不同模型架构均未表现出普遍益处，但固定 DeiT 融合能显著提升性能，尤其是对于较弱的序数分支。
原始论文采用 CC BY 4.0 许可（https://creativecommons.org/licenses/by/4.0/）。 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。 阅读完整免责声明
背痛是人类普遍经历的现象，通常可以追溯到脊椎中神经出口的小孔变窄。医生称之为腰椎管狭窄症。为了观察这种现象，他们通常使用磁共振成像（MRI），这种技术可以创建人体软组织的详细图像。在标准的检查中，医生会观察侧视图（即矢状面图像）来判断这些神经通道有多紧。他们通常将这种情况分为四个等级：正常、轻度、中度或重度。这种分级至关重要，因为它决定了治疗方案，但它依赖于人类医生盯着屏幕并做出判断。
最近，人们一直致力于让这些 MRI 检查变得更快，并减轻患者的负担。一种方法是专注于只显示液体和神经健康状况最好的特定类型图像，通常被称为 T2 加权扫描，而不是运行全套不同的图像类型。然而，一个主要的问题仍然存在：计算机能否仅通过观察这些特定的、精简后的图像，就学会对这四个等级进行分级？虽然计算机已经被训练可以在另一种类型的图像上执行此操作，但不清楚当图像本身发生变化时，同样的逻辑是否仍然适用。挑战在于，这四个等级不仅仅是随机的类别；它们是一个阶梯。将一个轻度病例误认为是正常病例，与将一个重度病例误认为是中度病例，其性质是不同的。计算机需要理解这种顺序，才能真正发挥作用。
一位名叫 Wuke Peng 的研究人员试图通过教计算机仅使用侧视图图像来对这些脊椎状况进行分级，从而回答这个问题。该研究涉及了来自 468 名不同患者的近三千个特定脊椎区域。计算机被展示了这些图像，并被要求将它们分类到四个类别中。为了确保结果可靠，研究人员使用了一种严格的测试方法，即计算机在某些患者的数据上进行训练，然后在从未见过的完全不同的患者数据上进行测试，并重复这个过程五次，以确保结果的一致性。
研究测试了几种不同的方法，以观察哪种效果最好。一种方法是将这四个等级视为简单的、互不相关的标签。另一种方法尝试教计算机这些等级是一个序列，就像阶梯一样。第三种想法是在训练期间给计算机一个提示：一个简单的信号，告诉它病例是否进入了中度或重度范围，但不告诉它确切的等级。研究人员还测试了结合两种不同类型的计算机视觉系统——一种关注微观细节，另一种关注整体图像——是否会比其中任何一种单独使用都能产生更好的结果。
研究结果表明，并没有一种适用于所有情况的“万能妙招”。如果与一种特定类型的计算机系统配合使用，将等级视为序列的方法确实有助于提高其区分等级的能力。然而，同样的这种方法实际上却让另一种更现代的计算机系统表现得更差。同样，关于中度到重度病例的额外提示在某些设置中有所帮助，但在其他设置中却损害了性能。这表明，仅仅增加更复杂的规则或额外的提示并不一定会让计算机变得更聪明；规则必须与正在使用的特定计算机类型相匹配。
最重要的发现是关于这些不同的计算机系统如何协同工作。当研究人员将标准计算机视觉系统的输出与一个经过训练能够理解等级序列的更先进系统的输出相结合时，结果取得了实质性的提升。这种结合使用了一个固定规则来融合它们的意见，将分级的准确度推向了新高。该组合系统能正确识别大约 75% 的病例中的脊椎狭窄严重程度，这相对于独立系统有了显著的飞跃。它还减少了计算机所犯错误的平均规模。
至关重要的是，研究表明，这个组合系统的成功并非来自于关于中度到重度病例的额外提示。事实上，当研究人员将该提示添加到现代计算机系统中时，它反而降低了独立系统的性能。两个不同计算机系统的结合修复了这些错误并挽救了性能，这表明这两个系统是以互补的方式观察图像的。一个系统可能擅长捕捉特定的纹理，而另一个则更擅长识别神经开口的整体形状。在一起，它们弥补了彼此的盲点。
研究还观察了计算机在做出决策时究竟在“看什么”。通过将图像中影响计算机选择的部分可视化，研究人员确认了该系统正专注于相关的解剖区域，例如神经开口本身，而不是随机的噪声。这让研究人员对计算机正在学习用于判断的正确特征有了信心。
最终，这项研究证明，利用医生日益倾向于使用的、旨在节省时间的精简侧视图图像，构建一个可靠的计算机系统来对脊柱狭窄进行分级是完全可能的。然而，通往成功的路径并不是简单地添加更多特征。相反，它需要将教导计算机的方法与所使用的特定计算机类型进行仔细匹配，并认识到结合不同类型的视觉系统比任何单一系统都更强大。这项工作为未来的医疗工作流提供了坚实的技术基础，在这些工作流中，更快速、更简单的 MRI 扫描仍能提供精确的自动化诊断，从而在不牺牲护理质量的前提下，潜在地减少患者在扫描仪中停留的时间。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。