基于CNN自编码器的腰椎间盘潜在几何特征学习及其在病理预测中的应用

　　来自多机构的研究人员针对腰椎间盘几何特征与病理关联的难题，开发了CNN自编码器从分割MRI中提取潜在特征。研究显示潜在特征与标准几何特征结合显著提升椎间盘狭窄预测性能（IoU=0.9984，DSC=0.90），为脊柱疾病诊断提供了可解释的新范式。

　　

下背痛是全球致残的首要原因，而腰椎间盘（lumbar intervertebral discs）的病理变化常被视为疼痛驱动因素。椎间盘的几何特征能为理解其力学行为和病理状态提供关键洞察。本研究提出采用卷积神经网络（CNN）自编码器从分割后的椎间盘磁共振成像（MRI）中提取潜在特征，并阐释这些特征在识别椎间盘病理方面的效用，为标准几何测量提供互补视角。

研究方法基于195例来自公开多机构数据集的矢状面T₁加权腰椎MRI。流程包含五个核心步骤：(1)MRI分割；(2)训练CNN自编码器并提取潜在几何特征；(3)测量标准几何特征；(4)联合潜在特征与标准特征预测椎间盘狭窄（disc narrowing）；(5)解析潜在特征与标准特征间的关联。

结果显示分割模型达成0.82的交并比（IoU，95% CI 0.80–0.84）和0.90的戴斯相似系数（DSC，95% CI 0.89–0.91）。CNN自编码器在350轮训练后于4×1最小瓶颈尺寸下收敛（IoU达0.9984，95% CI 0.9979–0.9989）。联合潜在与几何特征显著提升椎间盘狭窄预测效能，优于单独使用任一特征集。潜在几何特征被证实编码了椎间盘形态与角度取向信息。

本研究证实CNN自编码器能有效提取腰椎间盘MRI的潜在特征，提升狭窄预测能力与特征可解释性。未来工作将整合椎间盘体素强度以分析成分变化。