王 犇, 歐云生

融合器沉降與術(shù)后的疼痛緩解不佳密切相關(guān)。術(shù)后過度的融合器沉降可能使本已松解的神經(jīng)根再次受壓，加重患者的疼痛癥狀[1]。生物力學(xué)研究[2]表明，融合器沉降與下位椎體中心骨密度，融合器前凸角，材質(zhì)相關(guān)。即融合器沉降的風(fēng)險(xiǎn)是由多個(gè)因素所決定的，如何綜合多個(gè)因素從而準(zhǔn)確預(yù)測(cè)患者術(shù)后沉降風(fēng)險(xiǎn)是急需解決的問題。人工智能技術(shù)的出現(xiàn)給解決此問題帶來了一個(gè)轉(zhuǎn)機(jī)，人工智能算法的優(yōu)點(diǎn)主要體現(xiàn)在，與傳統(tǒng)方法相比，人工智能技術(shù)能夠察覺到人類無法察覺的數(shù)據(jù)細(xì)節(jié)特征，并通過分析變量之間的隱含關(guān)系實(shí)現(xiàn)更為高效的診斷能力。該研究將使用人工智能算法對(duì)患者術(shù)后發(fā)生椎間融合器沉降的風(fēng)險(xiǎn)進(jìn)行預(yù)測(cè)， 以期提供更精確的術(shù)后風(fēng)險(xiǎn)評(píng)估。

1 材料與方法

1.1 病例資料收集2014年10月10日～2017年12月29日入住重慶醫(yī)科大學(xué)附屬第一醫(yī)院骨科脊柱外科59例患者(68個(gè)相關(guān)節(jié)段)的臨床及影像學(xué)資料(如圖1所示)。納入和排除標(biāo)準(zhǔn)：① 隨訪時(shí)間在1年以上的行經(jīng)椎間孔入路腰椎間融合術(shù)的患者；② 影像學(xué)資料完整；③ 排除腫瘤、感染的患者；④ 排除多節(jié)段融合患者(3個(gè)及以上節(jié)段)。

1.2 影像學(xué)測(cè)量方法使用Carestream影像學(xué)測(cè)量軟件的距離測(cè)量工具與cobb角測(cè)量工具分別測(cè)量隨訪影像學(xué)資料的距離與角度。節(jié)段前凸角定義為手術(shù)節(jié)段椎間隙下位終板與上位椎體上終板所成夾角。椎間隙高度被定義為手術(shù)節(jié)段前、中、后椎間隙高度的平均值，最后一次隨訪時(shí)椎間隙高度與術(shù)后7 d椎間隙高度相差>2 mm即視為融合器沉降。見圖1。

圖1 發(fā)生椎間融合器沉降患者的隨訪影像學(xué)資料

1.3 Logistic模型/支持向量機(jī)模型首先使用SPSS 21.0軟件對(duì)本研究選取的可疑cage沉降相關(guān)因素進(jìn)行單變量分析，篩選P<0.05的變量納入Logistic回歸模型和支持向量機(jī)模型。

支持向量機(jī)模型的構(gòu)建:支持向量機(jī)英文名為support vector machine(SVM)，屬于機(jī)械學(xué)習(xí)的內(nèi)容，其原理為將變量通過內(nèi)核算法投射到極高維空間，通過構(gòu)建高維空間中的決策超平面，對(duì)事物特征進(jìn)行分類，其與傳統(tǒng)的Logistic回歸模型相比，通過構(gòu)建非線性的內(nèi)核能夠更高效地解決多變量情境下的線性不可分問題。在本研究中，使用多項(xiàng)式核函數(shù)以及高斯核函數(shù)分別構(gòu)建了多項(xiàng)式支持向量機(jī)模型以及基于高斯核的支持向量機(jī)。高斯核(radial basis function，RBF)是首選的SVM核函數(shù)，其可展開為無窮維度的多項(xiàng)式函數(shù)，其參數(shù)較小，無論大樣本還是小樣本都有比較好的性能。但特定情況下多項(xiàng)式核函數(shù)可能表現(xiàn)出更優(yōu)的性能，因此本研究同時(shí)采用了兩個(gè)核函數(shù)，其原理如圖2所示，左圖為線性決策平面，通過劃分一條線段將紅色樣本點(diǎn)與黑色樣本點(diǎn)進(jìn)行分類，Logistic回歸模型建立的分類方法就是這種線性的決策邊界。而支持向量機(jī)可以使用非線性核心對(duì)樣本進(jìn)行非線性分割，如圖2右側(cè)圖例所示，非線性的決策線相比線性決策線更適合于復(fù)雜的分類環(huán)境以及能夠?qū)崿F(xiàn)更好的分類效果。

圖2 線性與非線性分類決策邊界

1.4 統(tǒng)計(jì)學(xué)處理連續(xù)性變量使用T檢驗(yàn)，檢驗(yàn)沉降組與非沉降組相比差異有無統(tǒng)計(jì)學(xué)意義，若方差不均，則采用Wilcoxon-Mann-Whitney檢驗(yàn)。結(jié)果以均值±標(biāo)準(zhǔn)誤表示，二分類變量使用卡方檢驗(yàn)，檢驗(yàn)水平α=0.05。

2 結(jié)果

2.1 基本信息研究流程如圖3所示。 結(jié)果表明，與非沉降組相比，沉降組的手術(shù)融合節(jié)段數(shù)目，術(shù)前/術(shù)后椎間隙高度，術(shù)后L4節(jié)段前凸角以及術(shù)后PT、SS變量方面差異有統(tǒng)計(jì)學(xué)意義。見表1。

表1 單變量分析結(jié)果

圖3 研究設(shè)計(jì)

2.2 SVM模型與Logistic回歸模型效能對(duì)比使用十倍交叉驗(yàn)證法，以此6個(gè)變量所構(gòu)建的Logistic回歸模型及SVM模型的診斷效能指標(biāo)如表2所示。RBF的SVM模型表現(xiàn)出了較高的預(yù)測(cè)準(zhǔn)確性，綜合性能優(yōu)于polynomial SVM模型以及Logistic回歸模型。

3 討論

人工智能技術(shù)在近10年內(nèi)得到了突破性的進(jìn)展，數(shù)個(gè)將人工智能算法與臨床實(shí)踐結(jié)合的研究提示人工智能技術(shù)能夠顯著改善目前診斷方法的不足，在多個(gè)方面表現(xiàn)出了優(yōu)異的診斷效能。 如《Nature》一項(xiàng)研究表明使用人工智能技術(shù)能夠準(zhǔn)確預(yù)測(cè)糖尿病患者的慢性腎臟病的早期風(fēng)險(xiǎn)，其研究成果將有助于對(duì)糖尿病相關(guān)并發(fā)癥進(jìn)行早期干預(yù)[3-4]。

Hannun et al[5]研究結(jié)果也表明，基于心電圖數(shù)據(jù)的然而，目前國(guó)內(nèi)醫(yī)學(xué)領(lǐng)域?qū)Υ朔矫娴年P(guān)注不足，與國(guó)外先進(jìn)水平有一定的差距。

深度神經(jīng)網(wǎng)絡(luò)能夠有效地對(duì)心電圖數(shù)據(jù)進(jìn)行分析分類，其F1評(píng)分(0.837)(敏感度和特異度的調(diào)和平均數(shù))超過了心臟病專家的平均值(0.780)。

表2 Logistic回歸模型與SVM模型的各項(xiàng)參數(shù)比較

國(guó)內(nèi)外融合器沉降相關(guān)研究已經(jīng)報(bào)道了多個(gè)沉降相關(guān)風(fēng)險(xiǎn)因素，但骨盆參數(shù)與融合器沉降風(fēng)險(xiǎn)間的相關(guān)性尚未見報(bào)道。本研究表明，與非沉降患者相比，沉降患者的PT相對(duì)較高，SS相對(duì)較低，但骨盆參數(shù)是否沉降的獨(dú)立因素還需進(jìn)一步的深入研究。本研究的主要優(yōu)勢(shì)體現(xiàn)在對(duì)于融合器沉降風(fēng)險(xiǎn)的綜合評(píng)估方法尚屬國(guó)內(nèi)外首次報(bào)道，綜合了既往研究中對(duì)于椎間融合器沉降相關(guān)風(fēng)險(xiǎn)因素的報(bào)道對(duì)其進(jìn)行了人工智能建模[6]。

本研究的局限性表現(xiàn)在：① 由于患者的隨訪習(xí)慣較差加上早年影像學(xué)資料的丟失，盡管篩選了近5年的臨床資料，然而初篩的200例患者中僅僅有68例患者進(jìn)行了1年以上的隨訪，相對(duì)較小的樣本量其代表性可能不足，未來需有目的收集數(shù)據(jù)并建立數(shù)據(jù)庫，進(jìn)一步擴(kuò)大研究的樣本量；② 人工智能模型并不具備人類的邏輯思維能力，其預(yù)測(cè)結(jié)果只能作為臨床醫(yī)生的參考，具有邏輯思維能力的人工智能模型屬于計(jì)算機(jī)研究方面最前沿的領(lǐng)域，目前人工智能模型還需要人類的共同合作下才能發(fā)揮最大的效用；③ 本研究為回顧性研究，未來將于前瞻性數(shù)據(jù)集對(duì)構(gòu)建的模型進(jìn)行驗(yàn)證。