[发明专利]一种基于人工智能的脊柱畸形矫形预测方法、装置及终端

说明书

本发明公开了一种基于人工智能的脊柱畸形矫形预测方法、装置及终端，涉及人工智能技术领域，该方法包括：获取训练样本集数据，所述训练样本集数据包括：术前术后对应胸弯和腰弯的Cobb角信息、冠状位偏移距、顶椎偏移距、手术置钉位置以及患者基础信息；通过所述训练样本集数据对预设多种预测模型分别进行训练，获得训练结果；基于所述训练结果，确定最佳预测模型；基于所述最佳预测模型对目标患者脊柱畸形矫形进行预测。本发明提供的基于人工智能的脊柱畸形矫形预测方法、装置及终端，可以提高脊柱畸形矫形预测的准确性，指导临床医生获得最佳的置钉策略。

技术领域

本发明涉及人工智能技术领域，特别涉及一种基于人工智能的脊柱畸形矫形预测方法、装置及终端。

背景技术

虽然近年来在AIS(青少年特发性脊柱侧凸)的病因学研究方面取得了一些进展，但尚未有实质性的突破，目前还没有有效的预防干预措施。青少年特发性脊柱侧凸是一种三维平面的畸形，包括冠状位，矢状位，轴状位。

研究表明，对于轻度侧凸(Cobb角小于40度)的AIS患者，如果骨骼发育尚未成熟，可以用石膏或支具治疗控制其进展；而对于Cobb角大于45度的患者，即使骨骼已发育成熟，畸形也会继续加重，所以外科手术就成为唯一有效的治疗方式。

通过器械矫形(手术置钉)脊柱侧凸虽然有很高的矫形率，但也存在一些问题：1)基于运动功能的需要，在采用器械进行脊柱侧凸矫形时，通常选择主要侧凸节段进行固定融合，尽可能保留运动节段，这种融合节段的选择虽然有一些经验性研究结论，但都还存在一些缺陷，对同一患者选择不同融合节段，结果常常有较大差异，这种差异在术前很难预测评估；2)由于脊柱侧凸的复杂性，畸形节段的矫形往往带来邻近节段的代偿反应，这种反应在不同脊柱柔韧性的个体差异性很大，难以估算，因此矫形后的脊柱平衡状态很难预测，常常发生双肩失平衡，远端失平衡，甚至部分病人还发生融合节段远端侧凸加重，需要再次进行手术的情况。因此手术置钉节段的选择以及策略的制定尤为重要。针对同一侧弯患者，不同的置钉节段及置钉密度，都会影响术后冠状面的平衡情况。

为解决这些问题，很多学者进行了大量的临床研究，根据临床统计数据提出很多融合节段选择策略和代偿反应预测方法，但基于特发性脊柱侧凸的较大个体差异，没有形成一个有效统一的解决手段。此外，也有一些研究基于生物力学建立模拟矫形的模型，从而预测矫形结果，但这些预测只是纳入了有限的影响因素，因而预测准确性难以达到要求。

发明内容

本发明提供一种基于人工智能的脊柱畸形矫形预测方法、装置及终端，可以提高脊柱畸形矫形预测的准确性，指导临床医生获得最佳的置钉策略。

为了解决上述技术问题，本发明实施例提供如下技术方案：

第一方面，本发明实施例提供一种基于人工智能的脊柱畸形矫形预测方法，该方法包括以下步骤：

获取训练样本集数据，所述训练样本集数据包括：术前术后对应胸弯和腰弯的Cobb角信息、冠状位偏移距、顶椎偏移距、手术置钉位置以及患者基础信息；

通过所述训练样本集数据对预设多种预测模型分别进行训练，获得训练结果；

基于所述训练结果，确定最佳预测模型；

基于所述最佳预测模型对目标患者脊柱畸形矫形进行预测。

优选地，所述通过所述训练样本集数据对预设多种预测模型分别进行训练，获得训练结果，具体为：通过所述训练样本集数据对双向长短时记忆模型、深度因子分解机模型、卷积神经网络模型、深度网络模型及融合模型分别进行训练，获得训练结果。

优选地，所述融合模型具体为：通过深度集成方法对双向长短时记忆模型、深度因子分解机模型、卷积神经网络模型、深度网络模型进行集成得到的模型，所述深度集成方法采用深度神经网络DNN模型、Adaboost模型、GBDT模型或Xgboost模型。