引用本文： 刘昕, 邓佳燕, 申丹伟, 林旭, 胡海刚, 吴超. 基于深度学习的人工智能算法在寰椎椎弓根螺钉自动规划中的可行性研究. 华西医学, 2024, 39(10): 1531-1536. doi: 10.7507/1002-0179.202408139 复制
目前，寰椎椎弓根螺钉在抗拔性和三维稳定性方面具有明显优势，已成为寰椎后路内固定的首选方式[1]。精准的寰椎椎弓根螺钉置入成为颈椎内固定手术的关键。虽然寰椎椎弓根螺钉内倾角度 20°有最宽的椎弓根通道[2-3]，然而，内倾角越大往往意味着更大的切口和更大的软组织张力，从而导致内倾角不好把控而突破椎弓根内侧皮质[4-5]。有学者在干燥标本上测量发现 92%的寰椎都能置入平行于矢状面的椎弓根螺钉[6]；也有学者通过大样本量的寰椎数字化三维重建模型测量，也获得了相似的结论，并通过了临床验证[7-8]，然而数字化模拟和设计过程需要投入大量的学习时间和精力。随着人工智能（artificial intelligence, AI）技术的发展，其在骨科手术规划领域的研究不断深入，为骨科手术带来了巨大变革。AI 模型可识别腰椎最优椎弓根螺钉通道，并能获得具有更高骨密度和更高抗拔出力的椎弓根螺钉通道[9]，且 AI 相关算法也可为螺钉长度、直径的选择以及螺钉置入的精准性和安全性提供重要参考价值，其完全不突破皮质的比例显著高于徒手置钉[10]。
虽然 AI 在腰椎椎弓根螺钉规划中有一定研究基础，但很少关于采用 AI 算法对寰椎椎弓根螺钉路径自动规划的研究。因此，本研究基于寰椎解剖特征，选取前结节、后结节、双侧椎弓根内边缘作为空间关键点，利用热力图算法对其空间位置分布进行训练，获得空间关键点分布图，通过空间关键点与平行于矢状面的椎弓根的几何关系，实现寰椎椎弓根螺钉路径自动规划，以期为后续骨科手术机器人自动规划手术奠定理论和技术基础。
1 对象与方法
1.1 研究对象
回顾性选取 2021 年 4 月—2023 年 12 月在自贡市第四人民医院健康管理中心完成颈椎 CT 扫描人群的 CT 数据。纳入标准：年龄≥18 周岁；影像数据完整。排除标准：寰椎椎弓根直径＜3.5 mm；先天性畸形；病理性骨折以及严重骨质疏松；颈椎发育畸形无法置入椎弓根螺钉者；存在非病理性骨折、滑脱或其他严重内科疾病。本研究已通过自贡市第四人民医院伦理委员会审查（伦理审查2021-014号）。
根据以往经验，设计训练样本量从 100 逐步增加至 400，达到训练结果的稳定性和防止过拟合，训练 1 000 轮，关键点训练准确率稳定达到 98%以上即确保了稳定性，验证组数据即可防止过拟合，80%作为训练集，20%作为验证集。
1.2 研究方法
1.2.1 分组
采用随机数字表法将纳入人群数据中的 20%纳入验证组，剩余 80%纳入训练组。
1.2.2 影像数据获取与搜集
通过影像数据共享系统，获取寰椎的原始 CT 数据。CT 扫描参数如下：电压 120 kV，电流 185.25 mAs，视野 17.3 cm×17.3 cm，矩阵 512×512 像素，层厚 0.625 mm，图像保存为 DICOM 格式。
将上述 DICOM 格式的图像导入 ITK-SNAP［宾夕法尼亚大学宾州图像计算与科学实验室（PICSL）的 PaulYushkevich 博士和犹他大学科学计算与成像研究所（SC）的 Guido Gerig 博士共同开发］开源软件，将其输出到指定文件路径，输出图像格式为.nii，用于训练中的图像体素标定。
1.2.3 寰椎的三维建模
将训练组的 CT 数据导入 Mimics 23.0（比利时 Materialise），三维建模步骤如下（图1）：第一步，根据被试者骨质分布情况，选取骨骼阈值，获取椎体的二维蒙版；第二步，利用蒙版分割功能，将寰椎蒙版分割成独立蒙版；第三步，设置平滑参数，将寰椎的二维蒙版进行三维重建，获得寰椎的三维模型；第四步，将寰椎的三维模型导出到指定文件路径，用于训练中的模型边界计算，导出格式为 STL。
图1
提取患者的寰椎蒙版并进行三维建模彩色像
a. 提取环椎蒙版（冠状面）；b. 提取环椎蒙版（横断面）；c. 提取环椎蒙版（矢状面）；d. 环椎的三维重建
1.2.4 空间关键点标记
将训练组 DICOM 格式的图像导入 ITK-SNAP 软件，将关键点标记设置为1 个体素（三维坐标中的像素点），分别以红色小圆点（标记点 1）、绿色（标记点 2）、蓝色（标记点 3）和黄色（标记点 4）的体素分别标记寰椎前结节、寰椎后结节、寰椎右侧椎弓根内边缘和左侧椎弓根内边缘。寰椎横断面观空间标记点示意图见图2～4。
图2
寰椎横断面观空间标记点示意图
红色小圆点表示寰椎前结节，绿色小红点表示寰椎后结节，蓝色小圆点表示寰椎右侧椎弓根内边缘，黄色小圆点表示环椎左侧椎弓根内边缘
图3
关键点标注
在 ITK-SNAP 软件中对 4 个空间关键点标记，红框表示体素值设置为“1”，黑框表示 4 个空间关键点的颜色分别设置为红色、绿色、蓝色和黄色
图4
4 个标记点验证
4 个空间关键点体素分布均匀
1.2.5 验证组观察指标
① 空间关键点定位误差：评估训练模型输出的 4 个关键点坐标位置与实际标记点的坐标偏差。② 置钉安全性：观察 AI 置入的椎弓根螺钉是否突破椎弓根皮质。③ 椎弓根螺钉中心线与椎弓根内边缘平均距离：即评估螺钉和椎弓根内边缘的距离与根据以往经验设置的 2.75 mm 的偏差。如偏差不超过1 mm，判定较为安全。
1.3 深度学习训练和算法验证
1.3.1 训练组训练过程
共包括 6 个步骤：① 数据预处理。加载.nii 格式的原始颈椎图像，将图像重采样到统一的体素尺寸，确保训练数据的一致性。加载.nii 格式的空间关键点标记图像，根据预定义的参数或 ROI 裁剪图像和标记。加载 STL 格式的颈椎三维模型文件，用于计算每个 STL 文件的空间边界。加载 STL 格式的颈椎三维模型文件和.nii 格式的原始颈椎图像，用于验证 STL 文件的边界是否与相应的.nii 图像匹配。② 数据加载和增强。加载已处理（裁剪和/或重采样）的.nii 格式的原始颈椎图像和空间关键点标记图像，创建用于训练的数据集，包括数据增强。③ 定义模型结构和损失函数。定义用于空间关键点检测或其他任务的神经网络模型，实现对外部环境提供的模式样本进行学习训练，同时能自动提取外部环境变化特征，对模式样本进行训练。定义用于训练过程中评价模型输出与目标标签差异的损失函数，计算模型预测值与真实值之间的差异，为模型的训练和优化提供方向。④ 训练模型。对上述步骤处理后的.nii 格式的原始颈椎图像和空间关键点标记图像，执行模型的训练和验证，调整模型参数。⑤ 模型部署准备。加载训练好的 PyTorch 模型文件，将 PyTorch 模型转换为 TorchScript 格式，以便部署。⑥ 可选的展示和验证。加载裁剪后的.nii 格式医学图像，显示图像以验证裁剪效果。
1.3.2 验证过程
将训练后的模型文件加载到 Visual Studio 2022，提取空间关键点的热力图分布，根据本研究小组前期经验设置平行于矢状面的寰椎椎弓根螺钉路径的约束规则：① 平行于标记点 1 和标记点 2 连线；② 右侧椎弓根螺钉中心线与标记点 3 距离为 2.75 mm；③ 左侧椎弓根螺钉中心线与标记点 4 距离为 2.75 mm；④ 选取满足以上条件的最长椎弓根螺钉为最佳。
程序编译后，获取寰椎平行于矢状面的椎弓根螺钉自动规划的可视化界面。将验证组颈椎 CT 原始数据导入，获得寰椎平行于矢状面的椎弓根螺钉自动规划结果。深度学习算法实现示意图见图5。
图5
深度学习算法实现示意图
1.4 数据筛选
扫描范围全部覆盖环椎。剔除骨折和环椎畸形数据。
1.5 质量控制
参考以往经验，将空间标记点训练准确率（accuracy, ACC）控制在 98%以上。
1.6 统计学方法
采用 SPSS 23.0 统计软件进行数据分析。计量资料采用均数±标准差表示。计数资料采用例数和百分比表示。
2 结果
2.1 训练样本确认
共纳入患者 500 例，年龄 18～76 岁，体质量指数 19.4～26.3 kg/m2。训练组 400 例，验证组100 例。
2.2 关键点定位准确性和置钉安全性评估
训练组共纳入寰椎 400 个，训练节段 400 个，ACC 为 98.62%。验证组共纳入寰椎 100 个，ACC 为 98.62%。将验证组的数据导入编译程序，获得寰椎平行于矢状面椎弓根螺钉路径。验证组中 4 个空间关键点的平均定位误差为（0.47±0.16）mm，100 个寰椎椎弓根规划路径均位于椎弓根内，没有突破椎弓根皮质，左右两侧规划路径均平行，置钉安全率 100%。规划的椎弓根螺钉中心线与椎弓根内边缘平均距离为（2.86±0.12）mm。关键点定位和置钉示意图见图6。
图6
关键点定位和置钉示意图
3 讨论
3.1 寰椎平行于矢状面置入椎弓根螺钉的解剖优势
由于寰椎椎弓根螺钉在手术时间、出血量和力学稳定性上均优于侧块螺钉，一度成为上颈椎内固定术的首选方式[1-2]，但寰椎椎弓根螺钉置入成功与否受椎弓根宽度和高度影响，由于寰椎椎弓根解剖变化大，常规置钉方式存在较大的手术难度和风险[11]，对于椎弓根高度＜3.5 mm 的患者，需要调整头倾角才能将螺钉安全放置，较大的头倾角和较大的内倾角不仅扩大手术切口，更增加软组织张力，使螺钉安全置入的难度加大[12-13]，而平行于矢状面的椎弓根螺钉能避免来自双侧的软组织张力，且适用于大多数椎弓根结构。现将寰椎平行于矢状面置入椎弓根螺钉的优势总结如下：① 大量的解剖学测量证实了寰椎平行于矢状面置入椎弓根螺钉是可行的；② 平行于寰椎矢状面的椎弓根螺钉进钉点靠近内侧，减少了寰椎内弓暴露和椎动脉损伤的风险；③ 软组织张力较小，螺钉方向不受软组织张力影响，螺钉方向的准确性更好。
3.2 AI 算法在寰椎椎弓根螺钉置入中的安全性
智能化和精准化是现在医学发展的重要方向和研究热点，目前的骨科手术机器人均为术中实时采集三维 C 臂影像，术中人工规划螺钉路径，手术时间长，规划准确性主观因素大。骨科机器人中的系列全自动或半自动手术均基于 AI 自动规划，如骨骼精准切割，内置物精准固定，肿瘤切除、穿刺等临床手术[14-17]，相对于传统手术方式，基于 AI 技术的全自动或半自动规划可提高手术效率，降低手术风险。然而，对于寰椎椎弓根置钉的 AI 自动规划的报道极为少见，由于本研究团队前期做了大量解剖学测量和临床手术验证，证实了平行于矢状面的寰椎椎弓根螺钉置入的可行性。因此，本研究将 4 个重要空间关键点作为特征点，训练 400 例不同解剖结构的寰椎模型，关键点定位准确率达到 98.62%；在 100 例寰椎模型中获得验证，100 例寰椎模型中平行于矢状面的椎弓根螺钉均未突破皮质，安全率达到 100%，椎弓根螺钉中心线与椎弓根内边缘距离与设置值的平均偏差 0.11 mm，获得了较好的训练效果，这不仅简化了寰椎椎弓根螺钉内固定的术前模拟过程，也提高了置钉的安全性，为后期骨科机器人的寰椎椎弓根螺钉自动置入的手术模块开发奠定了基础。
3.3 大样本量的 AI 训练算法的应用前景
AI算法的稳定性和鲁棒性好坏很大程度上受训练样本量影响，因此，寰椎模型库应该涵盖所有寰椎椎弓根形态，才能保证训练模型的广泛适用性[18]。本研究纳入 400 例正常人体的寰椎模型，涵盖了不同性别、不同年龄段、不同身高、不同体重以及不同体型的寰椎模型（为单中心研究），经计算，其空间关键点的平均定位误差为 （0.47±0.16）mm，置钉平均偏差仅为 0.11 mm，完全满足寰椎椎弓根置钉安全性需求；后期健康管理中心将持续扩大训练样本，进一步优化算法稳定性和鲁棒性。
综上所述，基于深度学习的AI算法，本研究小组建立了以寰椎前、后结节和双侧椎弓根内边缘为空间关键点的平行于矢状面的椎弓根通道优化模型，通过验证发现其误差较小，应用前景广阔。
利益冲突：所有作者声明不存在利益冲突。
目前，寰椎椎弓根螺钉在抗拔性和三维稳定性方面具有明显优势，已成为寰椎后路内固定的首选方式[1]。精准的寰椎椎弓根螺钉置入成为颈椎内固定手术的关键。虽然寰椎椎弓根螺钉内倾角度 20°有最宽的椎弓根通道[2-3]，然而，内倾角越大往往意味着更大的切口和更大的软组织张力，从而导致内倾角不好把控而突破椎弓根内侧皮质[4-5]。有学者在干燥标本上测量发现 92%的寰椎都能置入平行于矢状面的椎弓根螺钉[6]；也有学者通过大样本量的寰椎数字化三维重建模型测量，也获得了相似的结论，并通过了临床验证[7-8]，然而数字化模拟和设计过程需要投入大量的学习时间和精力。随着人工智能（artificial intelligence, AI）技术的发展，其在骨科手术规划领域的研究不断深入，为骨科手术带来了巨大变革。AI 模型可识别腰椎最优椎弓根螺钉通道，并能获得具有更高骨密度和更高抗拔出力的椎弓根螺钉通道[9]，且 AI 相关算法也可为螺钉长度、直径的选择以及螺钉置入的精准性和安全性提供重要参考价值，其完全不突破皮质的比例显著高于徒手置钉[10]。
虽然 AI 在腰椎椎弓根螺钉规划中有一定研究基础，但很少关于采用 AI 算法对寰椎椎弓根螺钉路径自动规划的研究。因此，本研究基于寰椎解剖特征，选取前结节、后结节、双侧椎弓根内边缘作为空间关键点，利用热力图算法对其空间位置分布进行训练，获得空间关键点分布图，通过空间关键点与平行于矢状面的椎弓根的几何关系，实现寰椎椎弓根螺钉路径自动规划，以期为后续骨科手术机器人自动规划手术奠定理论和技术基础。
1 对象与方法
1.1 研究对象
回顾性选取 2021 年 4 月—2023 年 12 月在自贡市第四人民医院健康管理中心完成颈椎 CT 扫描人群的 CT 数据。纳入标准：年龄≥18 周岁；影像数据完整。排除标准：寰椎椎弓根直径＜3.5 mm；先天性畸形；病理性骨折以及严重骨质疏松；颈椎发育畸形无法置入椎弓根螺钉者；存在非病理性骨折、滑脱或其他严重内科疾病。本研究已通过自贡市第四人民医院伦理委员会审查（伦理审查2021-014号）。
根据以往经验，设计训练样本量从 100 逐步增加至 400，达到训练结果的稳定性和防止过拟合，训练 1 000 轮，关键点训练准确率稳定达到 98%以上即确保了稳定性，验证组数据即可防止过拟合，80%作为训练集，20%作为验证集。
1.2 研究方法
1.2.1 分组
采用随机数字表法将纳入人群数据中的 20%纳入验证组，剩余 80%纳入训练组。
1.2.2 影像数据获取与搜集
通过影像数据共享系统，获取寰椎的原始 CT 数据。CT 扫描参数如下：电压 120 kV，电流 185.25 mAs，视野 17.3 cm×17.3 cm，矩阵 512×512 像素，层厚 0.625 mm，图像保存为 DICOM 格式。
将上述 DICOM 格式的图像导入 ITK-SNAP［宾夕法尼亚大学宾州图像计算与科学实验室（PICSL）的 PaulYushkevich 博士和犹他大学科学计算与成像研究所（SC）的 Guido Gerig 博士共同开发］开源软件，将其输出到指定文件路径，输出图像格式为.nii，用于训练中的图像体素标定。
1.2.3 寰椎的三维建模
将训练组的 CT 数据导入 Mimics 23.0（比利时 Materialise），三维建模步骤如下（图1）：第一步，根据被试者骨质分布情况，选取骨骼阈值，获取椎体的二维蒙版；第二步，利用蒙版分割功能，将寰椎蒙版分割成独立蒙版；第三步，设置平滑参数，将寰椎的二维蒙版进行三维重建，获得寰椎的三维模型；第四步，将寰椎的三维模型导出到指定文件路径，用于训练中的模型边界计算，导出格式为 STL。
图1
提取患者的寰椎蒙版并进行三维建模彩色像
a. 提取环椎蒙版（冠状面）；b. 提取环椎蒙版（横断面）；c. 提取环椎蒙版（矢状面）；d. 环椎的三维重建
1.2.4 空间关键点标记
将训练组 DICOM 格式的图像导入 ITK-SNAP 软件，将关键点标记设置为1 个体素（三维坐标中的像素点），分别以红色小圆点（标记点 1）、绿色（标记点 2）、蓝色（标记点 3）和黄色（标记点 4）的体素分别标记寰椎前结节、寰椎后结节、寰椎右侧椎弓根内边缘和左侧椎弓根内边缘。寰椎横断面观空间标记点示意图见图2～4。
图2
寰椎横断面观空间标记点示意图
红色小圆点表示寰椎前结节，绿色小红点表示寰椎后结节，蓝色小圆点表示寰椎右侧椎弓根内边缘，黄色小圆点表示环椎左侧椎弓根内边缘
图3
关键点标注
在 ITK-SNAP 软件中对 4 个空间关键点标记，红框表示体素值设置为“1”，黑框表示 4 个空间关键点的颜色分别设置为红色、绿色、蓝色和黄色
图4
4 个标记点验证
4 个空间关键点体素分布均匀
1.2.5 验证组观察指标
① 空间关键点定位误差：评估训练模型输出的 4 个关键点坐标位置与实际标记点的坐标偏差。② 置钉安全性：观察 AI 置入的椎弓根螺钉是否突破椎弓根皮质。③ 椎弓根螺钉中心线与椎弓根内边缘平均距离：即评估螺钉和椎弓根内边缘的距离与根据以往经验设置的 2.75 mm 的偏差。如偏差不超过1 mm，判定较为安全。
1.3 深度学习训练和算法验证
1.3.1 训练组训练过程
共包括 6 个步骤：① 数据预处理。加载.nii 格式的原始颈椎图像，将图像重采样到统一的体素尺寸，确保训练数据的一致性。加载.nii 格式的空间关键点标记图像，根据预定义的参数或 ROI 裁剪图像和标记。加载 STL 格式的颈椎三维模型文件，用于计算每个 STL 文件的空间边界。加载 STL 格式的颈椎三维模型文件和.nii 格式的原始颈椎图像，用于验证 STL 文件的边界是否与相应的.nii 图像匹配。② 数据加载和增强。加载已处理（裁剪和/或重采样）的.nii 格式的原始颈椎图像和空间关键点标记图像，创建用于训练的数据集，包括数据增强。③ 定义模型结构和损失函数。定义用于空间关键点检测或其他任务的神经网络模型，实现对外部环境提供的模式样本进行学习训练，同时能自动提取外部环境变化特征，对模式样本进行训练。定义用于训练过程中评价模型输出与目标标签差异的损失函数，计算模型预测值与真实值之间的差异，为模型的训练和优化提供方向。④ 训练模型。对上述步骤处理后的.nii 格式的原始颈椎图像和空间关键点标记图像，执行模型的训练和验证，调整模型参数。⑤ 模型部署准备。加载训练好的 PyTorch 模型文件，将 PyTorch 模型转换为 TorchScript 格式，以便部署。⑥ 可选的展示和验证。加载裁剪后的.nii 格式医学图像，显示图像以验证裁剪效果。
1.3.2 验证过程
将训练后的模型文件加载到 Visual Studio 2022，提取空间关键点的热力图分布，根据本研究小组前期经验设置平行于矢状面的寰椎椎弓根螺钉路径的约束规则：① 平行于标记点 1 和标记点 2 连线；② 右侧椎弓根螺钉中心线与标记点 3 距离为 2.75 mm；③ 左侧椎弓根螺钉中心线与标记点 4 距离为 2.75 mm；④ 选取满足以上条件的最长椎弓根螺钉为最佳。
程序编译后，获取寰椎平行于矢状面的椎弓根螺钉自动规划的可视化界面。将验证组颈椎 CT 原始数据导入，获得寰椎平行于矢状面的椎弓根螺钉自动规划结果。深度学习算法实现示意图见图5。
图5
深度学习算法实现示意图
1.4 数据筛选
扫描范围全部覆盖环椎。剔除骨折和环椎畸形数据。
1.5 质量控制
参考以往经验，将空间标记点训练准确率（accuracy, ACC）控制在 98%以上。
1.6 统计学方法
采用 SPSS 23.0 统计软件进行数据分析。计量资料采用均数±标准差表示。计数资料采用例数和百分比表示。
2 结果
2.1 训练样本确认
共纳入患者 500 例，年龄 18～76 岁，体质量指数 19.4～26.3 kg/m2。训练组 400 例，验证组100 例。
2.2 关键点定位准确性和置钉安全性评估
训练组共纳入寰椎 400 个，训练节段 400 个，ACC 为 98.62%。验证组共纳入寰椎 100 个，ACC 为 98.62%。将验证组的数据导入编译程序，获得寰椎平行于矢状面椎弓根螺钉路径。验证组中 4 个空间关键点的平均定位误差为（0.47±0.16）mm，100 个寰椎椎弓根规划路径均位于椎弓根内，没有突破椎弓根皮质，左右两侧规划路径均平行，置钉安全率 100%。规划的椎弓根螺钉中心线与椎弓根内边缘平均距离为（2.86±0.12）mm。关键点定位和置钉示意图见图6。
图6
关键点定位和置钉示意图
3 讨论
3.1 寰椎平行于矢状面置入椎弓根螺钉的解剖优势
由于寰椎椎弓根螺钉在手术时间、出血量和力学稳定性上均优于侧块螺钉，一度成为上颈椎内固定术的首选方式[1-2]，但寰椎椎弓根螺钉置入成功与否受椎弓根宽度和高度影响，由于寰椎椎弓根解剖变化大，常规置钉方式存在较大的手术难度和风险[11]，对于椎弓根高度＜3.5 mm 的患者，需要调整头倾角才能将螺钉安全放置，较大的头倾角和较大的内倾角不仅扩大手术切口，更增加软组织张力，使螺钉安全置入的难度加大[12-13]，而平行于矢状面的椎弓根螺钉能避免来自双侧的软组织张力，且适用于大多数椎弓根结构。现将寰椎平行于矢状面置入椎弓根螺钉的优势总结如下：① 大量的解剖学测量证实了寰椎平行于矢状面置入椎弓根螺钉是可行的；② 平行于寰椎矢状面的椎弓根螺钉进钉点靠近内侧，减少了寰椎内弓暴露和椎动脉损伤的风险；③ 软组织张力较小，螺钉方向不受软组织张力影响，螺钉方向的准确性更好。
3.2 AI 算法在寰椎椎弓根螺钉置入中的安全性
智能化和精准化是现在医学发展的重要方向和研究热点，目前的骨科手术机器人均为术中实时采集三维 C 臂影像，术中人工规划螺钉路径，手术时间长，规划准确性主观因素大。骨科机器人中的系列全自动或半自动手术均基于 AI 自动规划，如骨骼精准切割，内置物精准固定，肿瘤切除、穿刺等临床手术[14-17]，相对于传统手术方式，基于 AI 技术的全自动或半自动规划可提高手术效率，降低手术风险。然而，对于寰椎椎弓根置钉的 AI 自动规划的报道极为少见，由于本研究团队前期做了大量解剖学测量和临床手术验证，证实了平行于矢状面的寰椎椎弓根螺钉置入的可行性。因此，本研究将 4 个重要空间关键点作为特征点，训练 400 例不同解剖结构的寰椎模型，关键点定位准确率达到 98.62%；在 100 例寰椎模型中获得验证，100 例寰椎模型中平行于矢状面的椎弓根螺钉均未突破皮质，安全率达到 100%，椎弓根螺钉中心线与椎弓根内边缘距离与设置值的平均偏差 0.11 mm，获得了较好的训练效果，这不仅简化了寰椎椎弓根螺钉内固定的术前模拟过程，也提高了置钉的安全性，为后期骨科机器人的寰椎椎弓根螺钉自动置入的手术模块开发奠定了基础。
3.3 大样本量的 AI 训练算法的应用前景
AI算法的稳定性和鲁棒性好坏很大程度上受训练样本量影响，因此，寰椎模型库应该涵盖所有寰椎椎弓根形态，才能保证训练模型的广泛适用性[18]。本研究纳入 400 例正常人体的寰椎模型，涵盖了不同性别、不同年龄段、不同身高、不同体重以及不同体型的寰椎模型（为单中心研究），经计算，其空间关键点的平均定位误差为 （0.47±0.16）mm，置钉平均偏差仅为 0.11 mm，完全满足寰椎椎弓根置钉安全性需求；后期健康管理中心将持续扩大训练样本，进一步优化算法稳定性和鲁棒性。
综上所述，基于深度学习的AI算法，本研究小组建立了以寰椎前、后结节和双侧椎弓根内边缘为空间关键点的平行于矢状面的椎弓根通道优化模型，通过验证发现其误差较小，应用前景广阔。
利益冲突：所有作者声明不存在利益冲突。
