青少年特发性脊柱侧弯(AIS)是指脊柱侧弯角度>10°、椎体因未知原因而旋转的三维脊柱畸形，发病率约为0.5-3%，是青少年中最常见的脊柱畸形类型。其诊断依赖于脊柱X线图像，并需要反复测量，这对放射科医生来说是十分耗时的一项工作。因此，研究人员一直致力于开发计算机技术，对大型图像数据集进行后处理和分析以促进快速诊断，并尽量减少医生的工作量。

现阶段，深度学习在医学影像辅助诊断工作中的应用越来越多。在定义人工智能诊断方法时，脊柱有其独特的形态特征需要考虑。近日，发表在European Radiology杂志的一项研究提出了一个新的算法模型--多阶段集合网络(MSE-Net)，该模型可以为使用多中心X线图像的Cobb角测量诊断脊柱侧弯提供一个完全自动化和可靠的解决方案，为增加放射科医生的诊断信心及减少工作量提供了技术支持。

本项回顾性研究从四个医院的数据库中收集了2018年1月1日至2021年3月31日的全脊柱X线图像(前后位)。数据被分为训练集和验证集。2021年4月1日至2021年6月30日，在一家医院独立收集了用于外部验证的全脊柱X线图像。使用公共数据集验证了模型的有效性。统计软件R被用来分析模型曲率和解剖学平衡参数的准确性和敏感性，并评估测量者之间的一致性。

本项研究分别包括788和185个训练和测试数据集。算法模型对Cobb角、AV、上椎体和下椎体的准确性和召回率分别为89.36%、85.71%、77.2%和80.24%以及97.35%、93.38%、84.11%和87.42%。Cobb角的对称平均绝对百分比误差为5.99%，自动测量时间为1.7秒。Cobb角和骶骨中心垂直线与AV和C7垂线之间的距离的平均绝对误差值分别为1.07°和1.12及1.38毫米。统计分析证实，Cobb角的结果与金标准有很好的一致性(类间系数为0.996、0.978和0.825;P < 0.001)。

本研究成功建立了一项 基于X线图像的深度学习算法模型，该模型对脊柱侧弯的识别达到了较高的灵敏度和准确度，可以有效地帮助放射科医生对AIS进行诊断及并测量评估。