多任务深度学习模型在脊柱小关节退变严重程度分级中的应用
2025年8月8日 更新者：Hai Lv
脊柱小关节骨关节炎是一种在40岁以上人群中发病率较高的疾病。
它是以滑膜、关节软骨、软骨下骨、关节间隙及脊柱小关节附属组织在多种因素作用下发生一系列退行性病理变化和临床特征为特征的疾病。
一些生理或病理因素可导致脊柱小关节骨关节炎。
脊柱小关节骨关节炎患者常有不同程度的腰痛、异动症等临床表现，严重影响患者的身心健康。
脊柱小关节骨关节炎的严重程度不仅对腰痛和腰背肌密度变化有一定影响，还会影响患者的管理和治疗方案。
目前，不同医生对腰椎小关节骨关节炎的分级判读具有一定的主观性，结果的一致性和重复性较差。
而且，医生需要阅读影像图像并判断分级是非常耗时且重复性的工作。
近年来，深度学习技术在医学图像分析中的应用受到临床医生的广泛关注。
深度学习在医学影像诊断方面具有巨大的潜在优势。
可在放射科医生的监督下提供半自动报告，提高疾病程度评估的准确性、一致性、客观性和快速性，并在此基础上进一步支持临床决策。
本项目拟开发多任务、深度学习的脊柱小关节退行性疾病智能诊断与分类系统，并验证其临床可行性，旨在帮助临床医生提高诊断的准确性、一致性、客观性和快速性。相应的疾病程度评估，进一步支持后续的临床决策。
研究概览
详细说明
本项目为回顾性临床研究。
收集2019年至2022年中山大学附属第五医院门诊、住院疑似腰背病患者的DICOM格式图像及影像学X线、CT、MR基本信息。
获取DICOM图像模式，OA批次提交成功后信息部分会导出数据；从住院病史中收集患者的基本信息。
计划纳入 700 名患者。
这些项目按照7:1.5:1.5的比例随机分为训练集、验证集和测试集，用于计算机深度学习模型的自动诊断，以测试模型的稳定性和可靠性。
700个项目中，两名具有十年阅片经验的初级医师和两名高级医师分别对关节狭窄、肥大、骨赘、关节面糜烂、软骨下囊肿进行了分级阅片。
初级医生组的不一致结果是两位医生共同决定的。
参考标准组由资深医师组决定。
通过对比临床医生和模型的诊断结果，评估深度学习模型自动诊断腰椎小关节退变的性能和临床可行性。对比医生判断和模型预测结果，统计分析腰椎小关节退变自动诊断性能模型。
性能评价指标包括准确率、灵敏度、特异性、准确率、召回率、F1值和AUC值。
F1值和AUC值是综合评价模型性能的主要指标。
F1值和AUC值越高，模型性能越强。
研究类型
观察性的
注册 (估计的)
1132
联系人和位置
本节提供了进行研究的人员的详细联系信息，以及有关进行该研究的地点的信息。
学习地点
-
-
Guangdong
-
Zhuhai、Guangdong、中国
- The fifth affiliated hospital of SYSU
-
-
参与标准
研究人员寻找符合特定描述的人，称为资格标准。这些标准的一些例子是一个人的一般健康状况或先前的治疗。
资格标准
适合学习的年龄
- 孩子
- 成人
- 年长者
接受健康志愿者
不
取样方法
非概率样本
研究人群
因腰痛接受影像学检查的患者，其小关节退变程度不重。
去除符合排除标准的患者，以避免图像质量差影响判断。
描述
纳入标准：
- 2019-2022年在中山大学附属第五医院接受腰椎影像学检查的患者数据
排除标准：
- 腰椎滑脱
- 以前的椎骨骨折
- 有椎体手术史
- 腰椎图像严重伪影
学习计划
本节提供研究计划的详细信息，包括研究的设计方式和研究的衡量标准。
研究是如何设计的？
设计细节
- 观测模型：其他
- 时间观点：追溯
队列和干预
团体/队列 |
|---|
|
培训组
70%的参与者被随机分成训练组来训练机器的学习性能
|
|
验证组
15% 的参与者被随机分为验证组，以增强机器的学习性能并避免过度拟合
|
|
测试组
15%的参与者被随机分成测试组，测试机器的学习性能并得出研究结论
|
研究衡量的是什么？
主要结果指标
结果测量 |
措施说明 |
大体时间 |
|---|---|---|
|
比较多任务深度学习模型与临床医生判断脊柱小关节退变的准确性
大体时间：2022.12.01-2023.07.31
|
主要用来表示样本总数中预测正确的样本数。True Positive(TP),False Negative(FN),False Positive(FP),True Negative(TN)。Accuracy = (TP + TN) / (TP + FN + FP +TN)
|
2022.12.01-2023.07.31
|
|
比较多任务深度学习模型与临床医生判断脊柱小关节退变的精度
大体时间：2022.12.01-2023.07.31
|
真阳性(TP),假阴性(FN),假阳性(FP),真阴性(TN).Precision = TP / (TP+FP)
|
2022.12.01-2023.07.31
|
|
比较多任务深度学习模型和临床医生评估脊柱小关节退变的敏感性
大体时间：2022.12.01-2023.07.31
|
真阳性(TP)、假阴性(FN)、假阳性(FP)、真阴性(TN)。灵敏度=TP / (TP+FN)
|
2022.12.01-2023.07.31
|
|
比较多任务深度学习模型和临床医生评估脊柱小关节退变的特异性
大体时间：2022.12.01-2023.07.31
|
真阳性(TP)、假阴性(FN)、假阳性(FP)、真阴性(TN)。特异性=TN / (TN+FP)
|
2022.12.01-2023.07.31
|
|
计算 F1 分数以评估多任务深度学习模型中小面关节退化的严重程度
大体时间：2022.12.01-2023.07.31
|
F1分数是自动分类的重要评价指标，F1 =2*Precision*Sensitivity/（Precision+Sensitivity）=2TP/(2TP+FP+FN)
|
2022.12.01-2023.07.31
|
|
ROC（Receiver Operation Characteristic）全称为接收者操作特征曲线，是评价深度学习模型性能的指标
大体时间：2022.12.01-2023.07.31
|
ROC（Receiver Operation Characteristic）全称为接受者操作特征曲线。
曲线越靠近左上角，分类器越好。
ROC 曲线下的面积称为 AUC。
AUC越大，分类器的分类效果越好。
|
2022.12.01-2023.07.31
|
合作者和调查者
在这里您可以找到参与这项研究的人员和组织。
赞助
研究记录日期
这些日期跟踪向 ClinicalTrials.gov 提交研究记录和摘要结果的进度。研究记录和报告的结果由国家医学图书馆 (NLM) 审查，以确保它们在发布到公共网站之前符合特定的质量控制标准。
研究主要日期
学习开始 (实际的)
2022年12月31日
初级完成 (估计的)
2026年12月31日
研究完成 (估计的)
2026年12月31日
研究注册日期
首次提交
2022年11月23日
首先提交符合 QC 标准的
2022年12月1日
首次发布 (实际的)
2022年12月2日
研究记录更新
最后更新发布 (实际的)
2025年8月13日
上次提交的符合 QC 标准的更新
2025年8月8日
最后验证
2025年8月1日
更多信息
与本研究相关的术语
其他研究编号
- ZDWY.JZWK.004
计划个人参与者数据 (IPD)
计划共享个人参与者数据 (IPD)？
不
IPD 计划说明
如有需要，可提供
药物和器械信息、研究文件
研究美国 FDA 监管的药品
不
研究美国 FDA 监管的设备产品
不
在美国制造并从美国出口的产品
不
此信息直接从 clinicaltrials.gov 网站检索，没有任何更改。如果您有任何更改、删除或更新研究详细信息的请求，请联系 register@clinicaltrials.gov. clinicaltrials.gov 上实施更改，我们的网站上也会自动更新.