给脊柱创伤带来巨大希望的新兴领域之一是人工智能，以协助医生进行诊断和治疗算法。人工智能工具已被用于协助医生进行诊断。机器学习有能力利用数据来开发算法并进行预测，如果实施得当，可以成为临床环境中的重要资产。最近在其他领域研究了许多不同形式的机器学习，以便更好地协助医生进行病理诊断。此外，它们在评估术前风险和术后管理方面也很有用。在脊柱外科，人工智能在优化整合方面落后于其他医学领域。人工智能在临床上的实施非常困难，因为系统需要达到非常精确的水平，才能发挥实际作用。尽管人工智能系统在测试阶段可能表现良好，但它也必须与目前评估病人的黄金标准方法相媲美，才能在临床上实施，因此需要更高的能力才能被视为有用。人工智能系统在医学上的目标是优化诊断增强效率，尽量减少错误，并提供更精确的诊断结果。我们相信，在未来人工智能可以成为脊柱外科医生的一项资产，既可以解决医生与患者间的可靠性问题，也可以为患者的术前和术后管理提供见解。这可以通过机器学习的模式识别来实现，以确定脊柱外科医生以前不知道的风险因素。此外，在创伤场所或没有脊柱外科医生在场的机构或初级主治医生，人工智能可以协助确定病人的初始管理，提高速度和准确性。

1创建机器学习系统和分类

      目前，机器学习中还没有单一的技术、算法或分类器系统用于正确地对图像进行分类。根据具体的任务，可以使用不同的数学模型，如神经网络，支持向量机(SVM)，贝叶斯技术，线性回归，逻辑回归，决策树和随机森林。今天，大多数的技术是支持向量机，逻辑回归和神经网络。SVM使用一种算法，该算法设置边界，将受试者分为2组，其目标是建立一个系统，将受试者放在正确的组中，同时最大限度地减少错误和错误分类。逻辑回归模型是传统的预测工具，以前是分析二分结果时所选择的方法。逻辑回归只能在线性关系的情况下工作，并根据因变量和自变量的关系进行计算。然而，人工神经网络(ANNs)是基于生物神经网络的计算模型，用于非线性统计数据建模。人工神经网络在确定非线性关联方面特别有利，并具有识别隐藏模式和复杂非线性关系的能力。人工神经网络在模式识别和图像分析方面也很有用。此外，人工神经网络可以使用多个训练系统进行训练，并具有从数据本身识别关联的能力，而不是预先指定关联此外，人工神经网络已被证明在存在更多变量的情况下更优越。最近，人工神经网络也被应用于扫描和识别x光片的特征。

2人工智能在骨科的应用

      尽管人工智能在医学的其他领域已经被用于检测和诊断，但它在骨科的应用并不多。由于观察者之间的可靠性出现了普遍的问题，在骨科，尤其是脊柱骨科的使用潜力很大。因此，在过去的10年里，在骨科中使用深度机器学习的尝试有小的增长，但与其他医学领域相比，它仍然相形见绌。最近，Olczak和同事们提出了使用深度学习网络来识别骨科x光片中的骨折。结果成功地证明了神经网络具有识别身体部分、侧面和检查视图的能力。骨折识别的准确率为83%，与高级骨科医生相当。这项研究用数千张图像训练神经网络，这使得这项研究的强度和骨折诊断的准确性能够达到人类的水平。然而，在这项研究中，神经网络没有对x线片进行分类和考虑脱位风险或外科医生使用的其他测量方法。因此，这为未来在骨科中使用机器学习来辅助外科医生进行放射学分析带来了希望。然而，目前它还不能完成外科医生所需要的所有必要的活动。

3人工智能在脊柱护理中的应用

      目前，在脊柱护理中，尝试使用人工智能的过程已经开始。人工智能已被用于其他医学领域的病变检测，如乳腺癌，最近也被纳入脊柱骨科。Burns等人试图创建一个系统，该系统将用于警告解释放射科医生潜在的病变。在本研究中，我们创建了一种算法，将椎骨划分为更小的子区域，以检测候选病变，然后使用SVM分类系统对病变进行分类。该系统分析图像的速度比放射科医生快得多，因此是一种有用的诊断工具。目前，裂缝的自动化检测已被视为一个关键领域。Burns及其同事开发并验证了一种全自动计算机系统，可以对计算机断层扫描图像进行定量分析，以辅助外伤性胸椎和腰椎骨折。该系统可以检测和确定胸椎和腰椎骨折的解剖位置，并根据Denis分类系统对骨折进行分类。Burns及其同事在讨论中指出，由于能够通过定量图像分析来检测和分类裂缝类型，未来将能够使用多个裂缝分类系统同时对裂缝进行分类。这样就可以根据脊柱外科医生的喜好对骨折进行分类然而，应该指出的是，计算机辅助检测系统通常用于许多其他医学领域，以辅助放射学分析，最近的系统回顾表明，它已被证明在脊柱骨科的临床环境中应用有限。

      展望未来，神经网络似乎最有可能彻底改变脊柱骨科的成像分析。2017年，Jamaludin及其同事使用卷积神经网络成功创建了一个可重复且准确的自动检测系统，以分析可能与背痛相关的腰椎和椎间盘退变的特征。该软件能够成功地检测椎体的角落，并在磁共振成像(MRI)上标记椎体和椎间盘。该算法还能够成功地确定MRI上的“Pfirrmann和椎间盘变窄分级”，以分析椎间盘退变。该系统首先由一名放射科医生训练，使用了超过12000个核磁共振成像，这些核磁共振成像被导入卷积神经网络来训练系统。然后分析核磁共振成像来识别不同的椎骨和椎间盘，以及核磁共振成像上的“热点”，即椎间盘异常的区域。热点表明存在或不存在特定的放射学变化，这是为了引起放射科医生对热点的注意，以便进一步分析。当该系统与使用核磁共振成像测试集的放射科专家进行比较时，CAD系统能够在95.6%的扫描中准确检测到椎间盘。由于有可能发生错误，这个自动化系统确实需要人工监督[18]。然而，必须注意的是，系统只能根据提供给它的训练来分析和分级图像。如果需要一种不同类型的分级系统，那么神经网络在那一刻被训练的方式，系统将无法成功地以放射科医生或外科医生所需的方式分析图像。此外，在另一项研究中，Hetherington等[19]使用机器学习成功地在超声检查上实时识别腰椎水平，以便提供止痛剂。

      在成像分析之外，机器学习也被证明是分析脊柱手术后并发症的风险因素和手术后满意度的有效工具。由于机器学习系统可以形成巨大的关联度，机器学习系统有能力比目前的黄金标准更准确地预测并发症。因此，人工智能可以被纳入到手术前的规划中，并且可以成为制定适当管理以优化病人护理的重要资产。这在需要紧急做出决定的创伤环境中可能是一个特别有用的工具。

4人工智能在脊柱骨科的未来

      一些不同的文献研究预测，自动化系统将使我们能够更快地生成骨折模式数据，减少骨折分类的观察者之间的差异，并减少误差。 此外，Esteva等人最近在皮肤病学方面所展示的成功，以及Burns等人在脊柱创伤方面的成功，真正显示了人工智能在协助脊柱外科医生方面的潜在影响。 我们相信，最近自动化系统的进步可能是解决观察者间可靠性问题的关键，这个问题在与脊柱创伤有关的许多不同情况下都困扰着脊柱外科医生和放射科医生。

       尽管AOSpine胸腰椎损伤分类系统总体上显示出中等的观察者间可靠性(κ=0.56)，但对于完全性爆发性骨折，观察者间可靠性分别仅为0.19。对这些骨折进行分类的能力是至关重要的，因为分类上的差异可以解释这些骨折在世界范围内治疗的差异。计算机在视觉任务上超越人类的能力可能使系统能够正确地识别终板，并对胸腰椎骨折进行分类。此外，系统可以让我们正确地观察PLC的结构，这将使脊柱外科医生正确地评估损伤并制定适当的治疗计划。

       此外，自动化系统有能力超越x线片上的简单角度，分析结合角度和骨质量的复杂模式。此外，机器学习可用于寻找某些骨折或病理的预测因素，这些因素在之前的AOSpine胸腰椎分类系统中是未知的。这种创建计算机算法来寻找某些未知的预测因素或未知的常见事件的能力将进一步提高我们的能力，不仅可以创建更好的分类系统，还可以创建更好的治疗算法。此外，机器学习系统可以通过自然语言处理从EMRs中输入信息。因此，未来的系统不仅可以分析脊柱成像，还可以结合患者的危险因素来帮助辅助临床决策，以确定手术或非手术治疗是首选。

      如果一组脊柱外科医生和放射科医生训练了一个单一的自动学习系统，使其成为一种被普遍接受的分类方法，那么这个系统就可以帮助临床医生建立一个脊柱骨折分类的标准，以供临床医生进行正确的分类。训练自动化系统的过程将是困难的，因为有大量的算法可供选择，需要时间，并且需要临床可靠的准确性。目前，在图像评估和诊断方面表现出最高准确度的系统是使用超过10万张图像进行训练的，而更大的数据集极大地促进了更准确的结果。因此，在神经网络的训练阶段需要更大的数据集，进一步增加了这项重大任务所需的时间。尽管为脊柱骨科设计自动化系统很困难，但放射科医生和脊柱外科医生都可以创建一个优秀的资源来改进骨折分类，识别容易遗漏的病理，提高观察者间的可靠性，提高诊断速度，并可以改善临床管理，从而创建更明确的治疗计划。

5结论

      人工智能在医疗系统中的应用是一个新兴领域，有能力改善患者护理。虽然目前它在脊柱护理中的应用有限，但在未来它有很大的潜力被外科医生和放射科医生使用。随着时间的推移，机器学习系统的准确性将需要提高，以便在临床上有用。机器学习系统的持续发展将成为识别容易遗漏的病理、提高诊断速度和改善临床管理的绝佳资源。