人工智能在颈椎病诊断中的创新与突破

高鑫海; 何升华

doi:10.13471/j.cnki.j.sun.yat-sen.univ（med.sci）.20241030.003

您当前的位置：

首页 >

文章列表页 >

人工智能在颈椎病诊断中的创新与突破

综述 | 更新时间：2024-11-08

- 人工智能在颈椎病诊断中的创新与突破
- Artificial Intelligence Innovations and Breakthroughs in Cervical Spondulicks Diagnosis
- 中山大学学报（医学科学版） 2024年45卷第6期页码：961-967
- 作者机构：
  
  1.广州中医药大学第四临床医学院，广东广州510000
  2.深圳市中医院骨伤科二病区，广东深圳518000
- 作者简介：
  
  高鑫海，第一作者，研究方向：中西医结合治疗脊柱疾病，E-mail：1959187011@qq.com
- 基金信息：
  
  国家自然科学基金(82174397)
- DOI：10.13471/j.cnki.j.sun.yat-sen.univ（med.sci）.20241030.003
  中图分类号： R681.5
- 纸质出版日期：2024-11-20，
  
  收稿日期：2024-08-18，
  
  录用日期：2024-10-12
- 稿件说明：
移动端阅览
高鑫海,何升华.人工智能在颈椎病诊断中的创新与突破[J].中山大学学报（医学科学版）,2024,45(06):961-967.

GAO Xinhai,HE Shenghua.Artificial Intelligence Innovations and Breakthroughs in Cervical Spondulicks Diagnosis[J].Journal of Sun Yat-sen University(Medical Sciences),2024,45(06):961-967.
高鑫海,何升华.人工智能在颈椎病诊断中的创新与突破[J].中山大学学报（医学科学版）,2024,45(06):961-967. DOI： 10.13471/j.cnki.j.sun.yat-sen.univ（med.sci）.20241030.003.

GAO Xinhai,HE Shenghua.Artificial Intelligence Innovations and Breakthroughs in Cervical Spondulicks Diagnosis[J].Journal of Sun Yat-sen University(Medical Sciences),2024,45(06):961-967. DOI： 10.13471/j.cnki.j.sun.yat-sen.univ（med.sci）.20241030.003.

摘要

颈椎病是一种常见的脊柱退行性疾病，严重影响患者的生活质量，并可能导致严重的并发症。准确诊断和早期干预对于改善患者预后至关重要。然而，传统的诊断方法在精确性和效率方面存在不足，主要依赖于医生的主观判断和经验，容易导致误诊或漏诊。人工智能（AI）技术近年来在医学诊断领域展现出巨大的潜力，特别是在医学影像分析和病变识别方面。AI技术通过深度学习算法，如卷积神经网络（CNN），能够自动分割和识别影像数据中的病变区域，大幅提高了诊断的准确性和效率。本文综述了AI在颈椎病诊断中的最新研究进展，探讨了其在提高诊断精度和个性化治疗方面的应用潜力，同时分析了当前存在的挑战和未来研究方向，以推动AI技术在颈椎病诊断中的进一步发展和临床应用。

Abstract

Cervical spondylosis is a common degenerative spinal disease that severely impacts patients' quality of life and may lead to serious complications. Accurate diagnosis and early intervention are crucial for improving patient outcomes. However， traditional diagnostic methods have limitations in precision and efficiency， primarily relying on clinicians' subjective judgment and experience， which can result in misdiagnosis or missed diagnosis. Recent advancements in artificial intelligence （AI） technology have shown significant potential in the field of medical diagnostics， particularly in medical imaging analysis and lesion identification. AI technologies， through deep learning algorithms such as convolutional neural networks （CNNs）， can automatically segment and identify lesion areas in imaging data， significantly enhancing diagnostic accuracy and efficiency. This paper reviews the latest research developments in AI for cervical spondylosis diagnosis， explores its potential in improving diagnostic precision and personalized treatment， and analyzes the current challenges and future research directions to promote further development and clinical application of AI technologies in cervical spondylosis diagnosis.

关键词

人工智能颈椎病机器学习深度学习卷积神经网络

Keywords

artificial intelligencecervical spondylosismachine learningdeep learningconvolutional neural networks

references

岳博宇，黄国航，解东风，等. Mulligan动态关节松动术联合动态干扰电治疗颈型颈椎病的研究［J］. 新医学， 2022， 53（8）： 565-569.

Yue BY， Huang GH， Xie DF， et al. A study of Mulligan dynamic joint mobilization combined with dynamic interference electrical therapy for cervical cervical spondylosis［J］. J New Med， 2022， 53（8）： 565-569.

Theodore N. Degenerative cervical spondylosis［J］. N Engl J Med， 2020， 383（2）： 159-168.

Kane SF， Abadie KV， Willson A. Degenerative cervical myelopathy： recognition and management［J］. Am Fam Physician， 2020， 102（12）： 740-750.

Wainner RS， Fritz JM， Irrgang JJ， et al. Reliability and diagnostic accuracy of the clinical examination and patient self-report measures for cervical radiculopathy［J］. Spine （Phila Pa 1976）， 2003， 28（1）： 52-62.

Banaszek A， Bladowska J， Podgorski P， et al. Role of diffusion tensor MR imaging in degenerative cervical spine disease： a review of the literature［J］. Clin Neuroradiol， 2016， 26（3）： 265-276.

Kani KK， Chew FS. Anterior cervical discectomy and fusion： review and update for radiologists［J］. Skeletal Radiol， 2018， 47（1）： 7-17.

Topol EJ. High-performance medicine： the convergence of human and artificial intelligence［J］. Nat Med， 2019， 25（1）： 44-56.

Mckinney SM， Sieniek M， Godbole V， et al. International evaluation of an AI system for breast cancer screening［J］. Nature， 2020， 577（7788）： 89-94.

Shen J， Zhang C， Jiang B， et al. Artificial intelligence versus clinicians in disease diagnosis： systematic review［J］. JMIR Med Inform， 2019， 7（3）： e10010.

Lecun Y， Bengio Y， Hinton G. Deep learning［J］. Nature， 2015， 521（7553）： 436-444.

Lenharo M. An AI revolution is brewing in medicine. What will it look like？［J］. Nature， 2023， 622（7984）： 686-688.

张春灵，王宁，邴雪，等. MRI影像组学在乳腺癌诊疗中的应用进展［J］. 影像诊断与介入放射学， 2022， 31（5）： 377-381.

Zhang CL， Wang N， Bing X， et al. Advances in the application of MRI radiomics in the diagnosis and treatment of breast cancer［J］. Diagn Imag Intervent Radiol， 2022， 31（5）： 377-381.

任相阁，翟文生，李冰. 人工智能在肾移植领域中的应用进展［J］. 器官移植， 2023， 14（4）： 505-513.

Ren XG， Zhai WS， Li B. Research progress on application of artificial intelligence in the field of kidney transplantation［J］. Organ Transplant， 2023， 14（4）： 505-513.

Esteva A， Kuprel B， Novoa RA， et al. Dermatologist-level classification of skin cancer with deep neural networks［J］. Nature， 2017， 542（7639）： 115-118.

Hannun AY， Rajpurkar P， Haghpanahi M， et al. Cardiologist-level arrhythmia detection and classification in ambulatory electrocardiograms using a deep neural network［J］. Nat Med， 2019， 25（1）： 65-69.

Ehteshami BB， Veta M， Johannes VDP， et al. Diagnostic assessment of deep learning algorithms for detection of lymph node metastases in women with breast cancer［J］. JAMA， 2017， 318（22）： 2199-2210.

Gulshan V， Peng L， Coram M， et al. Development and validation of a deep learning algorithm for detection of diabetic retinopathy in retinal fundus photographs［J］. JAMA， 2016， 316（22）： 2402-2410.

Thoomes EJ， van Geest S， van der Windt DA， et al. Value of physical tests in diagnosing cervical radiculopathy： a systematic review［J］. Spine J， 2018， 18（1）： 179-189.

Mizer A， Bachmann A， Gibson J， et al. Self-report and subjective history in the diagnosis of painful neck conditions： a systematic review of diagnostic accuracy studies［J］. Musculoskelet Sci Pract， 2017， 31： 30-44.

Carette S， Fehlings MG. Clinical practice. cervical radiculopathy［J］. N Engl J Med， 2005， 353（4）： 392-399.

罗嗣频，裴欣欣，王学民，等. 动态X线研究颈椎屈伸运动过程中椎体相对位置变化［J］. 影像诊断与介入放射学， 2018， 27（5）： 343-348.

Luo SP， Pei XX，Wang XM， et al. Dynamic X-ray was used to study the relative position of the vertebral body during cervical flexion and extension movements［J］. Diagn Imag Intervent Radiol， 2018， 27（5）： 343-348.

Gore DR. Roentgenographic findings in the cervical spine in asymptomatic persons： a ten-year follow-up［J］. Spine （Phila Pa 1976）， 2001， 26（22）： 2463-2466.

Hirose M， Tachikawa K， Ozaki M， et al. X-ray radiation causes electromagnetic interference in implantable cardiac pacemakers［J］. Pacing Clin Electrophysiol， 2010， 33（10）： 1174-1181.

Nunez DJ， Quencer RM. The role of helical CT in the assessment of cervical spine injuries［J］. AJR Am J Roentgenol， 1998， 171（4）： 951-957.

Ren L， Rajendran K， Mccollough CH， et al. Radiation dose efficiency of multi-energy photon-counting-detector CT for dual-contrast imaging［J］. Phys Med Biol， 2019， 64（24）： 245003.

de Dios E， Laesser M， Bjorkman-Burtscher IM， et al. MRI-based measurements of spondylolisthesis and kyphosis in degenerative cervical myelopathy［J］. BMC Med Imaging， 2023， 23（1）： 180.

Yu Z， Lin K， Chen J， et al. Magnetic resonance imaging and dynamic X-ray's correlations with dynamic electrophysiological findings in cervical spondylotic myelopathy： a retrospective cohort study［J］. BMC Neurol， 2020， 20（1）： 367.

Khan MR， Mcinnes A， Hughes SP. Electrophysiological studies in cervical spondylosis［J］. J Spinal Disord， 1989， 2（3）： 163-169.

Wiley J. Guidelines in electrodiagnostic medicine. American Association of Electrodiagnostic Medicine［J］. Muscle Nerve， 1992， 15（2）： 229-253.

Ferrante MA. Neuromuscular electrodiagnosis［J］. Handb Clin Neurol， 2023， 195： 251-270.

Rosow LK， Amato AA. The role of electrodiagnostic testing， imaging， and muscle biopsy in the investigation of muscle disease［J］. Continuum （Minneap Minn）， 2016， 22（6， Muscle and Neuromuscular Junction Disorders）： 1787-1802.

Fisher MA. Electrophysiology of radiculopathies［J］. Clin Neurophysiol， 2002， 113（3）： 317-335.

Xie Y， Nie Y， Lundgren J， et al. Cervical spondylosis diagnosis based on convolutional neural network with X-ray images［J］. Sensors （Basel）， 2024， 24（11）： 3428.

Niemeyer F， Galbusera F， Tao Y， et al. Deep phenotyping the cervical spine： automatic characterization of cervical degenerative phenotypes based on T2-weighted MRI［J］. Eur Spine J， 2023， 32（11）： 3846-3856.

Nozawa K， Maki S， Furuya T， et al. Magnetic resonance image segmentation of the compressed spinal cord in patients with degenerative cervical myelopathy using convolutional neural networks［J］. Int J Comput Assist Radiol Surg， 2023， 18（1）： 45-54.

Dai H， Xiao Y， Fu C， et al. Deep learning-based approach for identifying and measuring focal liver lesions on contrast-enhanced MRI［J］. J Magn Reson Imaging， 2024.

Tao Q， Wang K， Wen B， et al. Assessment of image quality and diagnostic accuracy for cervical spondylosis using T2w-STIR sequence with a deep learning-based reconstruction approach［J］. Eur Spine J， 2024， 33（8）： 2982-2996.

Zhong YF， Dai YX， Li SP， et al. Sagittal balance parameters measurement on cervical spine MR images based on superpixel segmentation［J］. Front Bioeng Biotechnol， 2024， 12： 1337808.

Zhu Y， Li Y， Wang K， et al. A quantitative evaluation of the deep learning model of segmentation and measurement of cervical spine MRI in healthy adults［J］. J Appl Clin Med Phys， 2024， 25（3）： e14282.

Hamet P， Tremblay J. Artificial intelligence in medicine［J］. Metabolism， 2017， 69S： S36-S40.

Zheng S， Liang G， Chen J， et al. Severity assessment of cervical spondylotic myelopathy based on intelligent video analysis［J］. IEEE J Biomed Health Inform， 2022， 26（9）： 4486-4496.

Esteva A， Robicquet A， Ramsundar B， et al. A guide to deep learning in healthcare［J］. Nat Med， 2019， 25（1）： 24-29.

Huang SC， Pareek A， Seyyedi S， et al. Fusion of medical imaging and electronic health records using deep learning： a systematic review and implementation guidelines［J］. NPJ Digit Med， 2020， 3： 136.

Miller DD， Brown EW. Artificial intelligence in medical practice： the question to the answer？［J］. Am J Med， 2018， 131（2）： 129-133.

Deo RC. Machine learning in medicine［J］. Circulation， 2015， 132（20）： 1920-1930.

Topol EJ. Individualized medicine from prewomb to tomb［J］. Cell， 2014， 157（1）： 241-253.

Zhang B， Huang S， Zhou C， et al. Prediction of additional hospital days in patients undergoing cervical spine surgery with machine learning methods［J］. Comput Assist Surg （Abingdon）， 2024， 29（1）： 2345066.

Wang N， Huang X， Rao Y， et al. A Convenient non-harm cervical spondylosis intelligent identity method based on machine learning［J］. Sci Rep， 2018， 8（1）： 17430.

Kim BJ， Cho SM， Hur JW， et al. Kinematics after cervical laminoplasty： risk factors for cervical kyphotic deformity after laminoplasty［J］. Spine J， 2021， 21（11）： 1822-1829.

Qiu S， Wang H， Li J， et al. Towards wearable-inertial-sensor-based gait posture evaluation for subjects with unbalanced gaits［J］. Sensors （Basel）， 2020， 20（4）：1193.

Bombardini T， Gemignani V， Bianchini E， et al. Post-exercise contractility， diastolic function， and pressure： operator-independent sensor-based intelligent monitoring for heart failure telemedicine［J］. Cardiovasc Ultrasound， 2009， 7： 21.

Xiao C， Choi E， Sun J. Opportunities and challenges in developing deep learning models using electronic health records data： a systematic review［J］. J Am Med Inform Assoc， 2018， 25（10）： 1419-1428.

Johnson AE， Pollard TJ， Shen L， et al. MIMIC-III， a freely accessible critical care database［J］. Sci Data， 2016， 3： 160035.

Brauneck A， Schmalhorst L， Kazemi MM， et al. Federated machine learning， privacy-enhancing technologies， and data protection laws in medical research： scoping review［J］. J Med Internet Res， 2023， 25： e41588.

Char DS， Shah N H， Magnus D. Implementing machine learning in health care - addressing ethical challenges［J］. N Engl J Med， 2018， 378（11）： 981-983.

Price WN， Cohen IG. Privacy in the age of medical big data［J］. Nat Med， 2019， 25（1）： 37-43.

Aung Y， Wong D， Ting D. The promise of artificial intelligence： a review of the opportunities and challenges of artificial intelligence in healthcare［J］. Br Med Bull， 2021， 139（1）： 4-15.

Baxi V， Edwards R， Montalto M， et al. Digital pathology and artificial intelligence in translational medicine and clinical practice［J］. Mod Pathol， 2022， 35（1）： 23-32.

Liao Y， Thompson C， Peterson S， et al. The future of wearable technologies and remote monitoring in health care［J］. Am Soc Clin Oncol Educ Book， 2019， 39： 115-121.

Keesara S， Jonas A， Schulman K. Covid-19 and health care's digital revolution［J］. N Engl J Med， 2020， 382（23）： e82.

杨玉微，云东源，李龙辉，等. 眼科人工智能在远程医疗中的应用［J］. 眼科学报， 2022， 37（3）： 238-244.

Yang YW， Yun DW， Li LH， et al. Application of ophthalmic artificial intelligence in telemedicine［J］. Eye Sci， 2022， 37（3）： 238-244.

Cao C， Liu F， Tan H， et al. Deep learning and its applications in biomedicine［J］. Genomics Proteomics Bioinformatics， 2018， 16（1）： 17-32.

浏览量

160

下载量

CSCD

文章被引用时，请邮件提醒。

提交

工具集

关联资源

结合临床与超声影像多模态数据构建小于胎龄儿预测模型

人工智能技术在肝细胞癌诊断、复发及预后预测研究进展

智能髋关节超声技术在婴儿发育性髋关节发育不良筛查中的应用

酶消化法结合人工智能技术在法医学溺死硅藻检验中的应用