主要观点总结
本文探索利用深度学习方法建立颈椎病MR诊断模型的可行性。研究包括颈椎椎体增生、椎体滑脱、椎间盘突出、后纵韧带及黄韧带增厚的分类模型训练。通过深度学习方法，对颈椎病的主要影像诊断进行了分类模型训练，结果满足临床需求，证明了深度学习方法在颈椎病MR诊断中的辅助价值。
关键观点总结
关键观点1: 研究背景
随着人工智能与深度学习的发展，其在颈椎MR诊断中的应用逐渐增多。颈椎病发病率升高且年轻化，故研究使用深度学习方法进行颈椎病的辅助诊断具有重要意义。
关键观点2: 研究方法
研究采用回顾性搜集数据的方式，对颈椎病患者的MR图像进行模型训练。包括颈椎椎体增生、椎体滑脱、椎间盘突出、后纵韧带及黄韧带增厚的分类模型训练。使用深度学习技术对图像进行自动分割和测量，并进行模型输出结果的混淆矩阵分析及ROC曲线绘制，以评价模型的分类效能。
关键观点3: 研究结果
研究结果显示，5种分类模型中诊断效能最好的是颈椎间盘突出分类模型，其他模型的诊断效能也均满足临床需求。证明深度学习方法可以用于颈椎病MR的辅助诊断。
关键观点4: 研究限制与未来方向
目前研究存在数据量相对较少、模型自动分割生成标签的准确率尚不能完全满足自动或半自动测量的需求等局限性。未来应进一步增加数据量进行模型的迭代，提高模型分割能力，并探索基于深度学习方法的颈椎病MR影像自动测量模型和信号强度评估。
关键观点5: 结论
本研究采用深度学习方法建立了颈椎病MR的自动分类诊断模型，对颈椎椎体增生、滑脱、椎间盘突出、后纵韧带及黄韧带增厚进行了分类模型的训练。证明了深度学习方法在颈椎病MR诊断中的辅助价值，为未来进一步探索建立颈椎病MR自动诊断模型及结构化报告的植入奠定了基础。
文章预览
摘要 目的 ：探索利用深度学习方法在建立颈椎病 MR 诊断模型的可行性。 方法 ：回顾性 搜 集 本 院 2020 年 10 月至 2023 年 3 月 诊断为 颈椎病 患者的 MR 图像 514 例，使用已有颈椎分割模型在轴 面 T 2 WI 上分别预测硬膜囊、脊髓、椎间盘、后纵韧带和黄韧带，在矢状 面 T 1 WI 和 T 2 WI 上预测颈椎椎体和椎间盘。由一位低年资放射科医生（阅片经验 2 年）修改标注，另一位高年资放射科医生（阅片经验≥ 15 年）对低年资医师的标注进行复核。按照颈椎病的不同诊断要点分别进行 3D 或 2D 深度学习分类模型训练，包括（ 1 ）颈椎椎体增生模型；（ 2 ）颈椎椎体滑脱模型；（ 3 ）颈椎间盘突出分类模型；（ 4 ）后纵韧带增厚模型；（ 5 ）黄韧带增厚模型。将模型输出结果导入 R 软件进行混淆矩阵分析及 ROC 曲线绘制，采用正确率、灵敏度、特异度、阳性
………………………………
