0 引言

       随着全球人口老龄化的加剧，脊髓型颈椎病（cervical spondylotic myelopathy, CSM）作为导致中老年人非创伤性脊髓功能障碍的首要原因，其患病率与手术干预率均呈现出逐年上升趋势^{[1, 2, 3]}。目前，MRI凭借其卓越的软组织对比度，已成为CSM筛查、诊断及术后随访的公认标准^[4]。

       传统的影像学评估如常规T1/T2加权成像（T1/T2-weighted imaging, T1WI/T2WI）仅能提供脊髓受压等宏观形态信息，当严重变形时难以捕捉早期超微结构的病理改变，常出现影像表现与临床症状不匹配的现象^[5]。而多模态MRI技术，如扩散张量成像（diffusion tensor imaging, DTI）、扩散基谱成像（diffusion basis spectrum imaging, DBSI），以及静息态功能磁共振成像（resting-state functional magnetic resonance imaging, rs-fMRI）等，不仅能够无创量化脊髓微观层面的轴突变性与缺血水肿，还能揭示大脑皮层对脊髓损伤的代偿重塑，评估这种“脑-脊髓轴”的脑功能网络（brain functional networks）适应性改变^[6]，实质上是在探查患者中枢神经系统的残余储备能力^[7]。因此，将脑功能重塑指标纳入考量，能切实帮助医生预判患者术后神经功能恢复的真实上限。然而，多模态MRI的引入也带来了新的临床痛点，其产生的高维、异构且海量的数据信号，往往超出了传统统计学和人工阅片的分析边界。例如，DTI受限于手工病灶分割带来的主观不确定性与分割差异^[8]，DBSI模型参数极其复杂，临床医生难以直接解构轴突损伤与血管源性水肿的混叠信号^[9]，而rs-fMRI产生的海量动态脑网络数据具有极高的时空复杂性，极难从中提取出可靠的临床规律^[10]。其次，影像医师对脊髓受压程度及信号异常的主观判定存在显著差异，且手工分割图像耗时烦琐，不利于跨中心的大规模应用^[11]。更重要的是，依靠肉眼观察难以精准预测患者术后神经功能的恢复潜力，如改良日本骨科协会（modified Japanese Orthopaedic Association, mJOA）评分改善率，这使得临床手术决策面临较大挑战^[12]。

       为解决多模态MRI面临的痛点，近年来以深度学习（deep learning, DL）和影像组学为核心的AI技术被广泛引入该领域。AI不仅能利用卷积神经网络（convolutional neural network, CNN）实现脊髓结构的亚像素级自动化分割^[13]，并通过生成式模型缓解医疗数据稀缺的问题^[14]。其更深层的核心价值在于具备强大的多模态特征融合能力，能够深度挖掘DTI、DBSI及rs-fMRI等不同MRI序列中隐匿的特征，将复杂的信号波动转化为影像学层面的微结构定量表征指标^[15]。基于此构建的机器学习临床-影像综合模型，在预测术前病情严重程度及术后长期康复趋势方面显著优于传统放射学评估指标^{[16, 17]}。然而，尽管已有部分文献^{[18, 19, 20]}探讨了AI在脊柱影像中的应用，但现有相关综述多侧重于常规序列的形态学分割或单一的分类任务，少有针对多模态MRI与AI深度融合在CSM中应用的系统性回顾。特别是这些现有综述未能充分整合多模态MRI在揭示脊髓微观缺血、轴突损伤及“脑-脊髓轴”代偿重塑等深层机制方面的最新进展，也缺乏对AI如何贯穿早期筛查、精准诊断到预后预测全链路诊疗决策的宏观梳理，这使得临床医生难以全面把握AI技术在CSM多维度评估中的真实潜能。

       本综述以病理生理学定量表征和多模态特征融合为核心切入点，系统总结AI结合多模态MRI技术在CSM诊疗链条中的最新应用现状。重点探讨其在自动化早期筛查、高精度辅助诊断及个体化预后预测中的价值，并分析当前在该领域临床转化中面临的技术局限与未来前景。本综述旨在为研究人员和脊柱外科医生提供具有前瞻性的学术参考，并客观展望AI技术从单一的图像处理工具向深度临床诊疗决策辅助系统转化的必然趋势。

1 文献检索策略

       系统检索PubMed、Web of Science和中国知网数据库，检索时限为建库至2026年2月。英文检索式：（“cervical spondylotic myelopathy” OR “degenerative cervical myelopathy” OR “cervical myelopathy” OR “cervical spondylosis” OR “cervical spinal stenosis” OR “cervical cord compression”） AND （“artificial intelligence” OR “deep learning” OR “machine learning” OR “radiomics” OR “neural network*” OR “convolutional neural network*” OR “CNN” OR “support vector machine*” OR “automated” OR “automatic”） AND （“magnetic resonance imaging” OR “MRI” OR “magnetic resonance” OR “MR” OR “multimodal” OR “diffusion tensor” OR “DTI” OR “functional MRI” OR “fMRI”）；中文检索式：（SU=‘脊髓型颈椎病’ OR SU=‘退行性颈脊髓病’ OR SU=‘颈椎管狭窄’） AND （SU=‘人工智能’ OR SU=‘深度学习’ OR SU=‘神经网络’） AND （SU=‘磁共振’ OR SU=‘多模态’ OR SU=‘扩散张量’ OR SU=‘MRI’）。经文献管理软件剔除重复文献后，通过阅读文献标题和摘要进行初筛，再根据以下纳入标准及排除标准进行全文筛选与整理。纳入标准：（1）研究对象为明确诊断为CSM或退行性颈脊髓病的患者；（2）研究方法明确应用了人工智能技术（如DL、机器学习、影像组学等）结合MRI（常规MRI或多模态MRI）；（3）研究目的与结局包含辅助诊断、严重程度分级、自动筛查或预后预测等临床诊疗决策相关指标；（4）文章类型为提供完整数据的原始研究。排除标准：（1）研究对象合并颈椎外伤、肿瘤、感染、多发性硬化等非退行性神经疾病；（2）缺乏清晰的影像学参数或不包含明确的临床特征及随访数据；（3）仅探讨纯算法优化或单一手术技术，而未涉及AI与医学影像深度结合分析的研究。初检共获得文献450篇，排除不符合标准及重复文献427篇，最终纳入23篇严格符合上述纳入与排除标准的文献。

2 AI在CSM早期筛查与辅助诊断中的应用

       CSM诊疗决策的首要环节是早期筛查病灶与明确病理诊断。临床医生在这一阶段不仅需要快速定位脊髓受压的解剖部位，更要精准评估受压脊髓是否已发生不可逆的微观损伤，以及大脑皮层是否已产生功能代偿。这些深层评估结果将直接决定患者是应该继续保守观察，还是需要立即进行手术干预。AI结合多模态MRI技术在CSM自动化筛查和精准病理诊断这两大核心环节具有重要价值。

2.1 脊髓解剖结构的自动化分割与受压识别

       精确的解剖结构分割是实现CSM智能化筛查与标准化评估的基石^[21]。由于CSM患者常伴有严重的脊髓压迫和形态失真，早期研究如LIAO等^[22]利用期望最大化和动态规划算法在T2WI图像上实现了全自动检测。但传统算法在处理严重变形的脊髓时精度往往下降，而DL的广泛引入有效克服了由此导致的灰度对比度低和边缘模糊等临床难题。NOZAWA等^[23]证实采用U-Net模型在处理受压变形严重的脊髓切片时表现最优，ZHANG等^[24]则通过融合CNN与主动轮廓模型的方法，利用DL进行初步定位并结合几何模型微调边缘，有效解决了受压脊髓边界模糊的难题。此外，分割模态的选择也十分重要，JIN等^[25]发现基于各向异性分数（fractional anisotropy, FA）图进行DTI分割的准确度显著优于常规B0图，为构建多模态自动化筛查管线提供了最优特征提取参考。

       在结构分割的基础上，AI模型能够快速识别脊髓受压状态并量化狭窄程度，显著提升筛查效率^{[26, 27]}。MERALI等^[28]利用ResNet模型实现了T2WI脊髓受压的高精度自动探测，且在不同品牌的设备上均表现出良好的鲁棒性，证明了其在异构临床数据中的适用价值。

       为了应对复杂的临床筛查工作，研究者开始针对特定MRI序列优化算法逻辑。一方面，在需要快速处理海量影像的急诊分诊等场景中，传统自旋回波T2WI序列易受脑脊液流动伪影干扰的局限，PAYNE等^[29]采用轴位梯度回波序列结合视觉互感器架构，利用自注意力机制捕捉全局空间依赖关系，实现了93%的患者级识别准确率，极大地优化了临床分诊工作流。另一方面，在识别极早期隐匿性损伤的场景中，AI被进一步应用于提升DTI序列对微结构紊乱的物理灵敏度；NUKALA等^[30]指出，对于常规T2WI表现正常的轻症（Grade 1）患者，AI辅助下的DTI指标检测阳性率为31%，而单纯的T2WI无法识别，证明了AI结合扩散指标在早期隐匿性病灶筛查中的独特优势。

       随着技术向多任务集成演进，AI已能同步处理复杂的解剖与病理特征。LEE等^[31]采用Transformer架构实现了对椎管狭窄分级与脊髓异常信号的同步自动化评估。该模型在狭窄分类准确性上超越了资深放射科医师，证明了DL在提升退行性颈椎病诊断标准化及自动化报告生成方面的临床价值。为确保模型在真实世界环境下的稳健性，ZHOU等^[32]构建的随机森林模型成功融合了临床与MRI特征，为继发性脊髓损伤风险提供了客观的预警工具。此外，为突破监督学习对标注数据的依赖，AL-SHAWWA等^[33]利用无监督聚类证实，单纯的局限性压迫不足以预示风险，而狭窄椎管[脊髓椎管直径/矢状径（spinal canal diameter, SCD）<14.5 mm]合并多节段受压才是导致神经功能恶化的关键定量指标。这一成果为临床提供了基于形态特征的精准风险分层依据。

       综上，无论是精准定位复杂的脊髓解剖边界，还是自动识别不同程度的受压状态，AI都能将原本耗时且主观的阅片过程转化为衡量脊髓横截面积和狭窄程度的客观指标，突破了传统人工测量容易产生误差与观察者间差异的局限。在早期筛查环节，AI技术不仅大幅提升了影像诊断的效率，更能用具体的形态学数据辅助医生量化脊髓的物理受压程度，为后续探查脊髓内部的微观病理损伤打下基础。横向对比本节研究发现，DTI及其衍生图在脊髓高精度分割中表现优异，基于Transformer的深度网络在多节段受压识别中展现出极高的临床价值。然而，当前研究仍面临一定的局限与矛盾：一是影像特征与临床风险存在错位，现有二维模型多依赖单一受压特征，未考虑多节段累积效应与脊髓三维形变，易受假阳性干扰；二是算法在正常与重度受压脊髓间的表现存在反差，重度畸形导致的界面信号消失不仅使现有算法出现分割失效，且此类疑难图像常被单中心小样本研究剔除，导致模型的泛化能力存疑。未来的研究应探索生成式AI合成高保真图像，以打破罕见重度畸形数据匮乏的瓶颈，并依托多中心协作开发基于3D多平面的自动化评估模型，提升AI在复杂筛查中的临床实用性。

2.2 脊髓异常信号与微观损伤的定量表征

       在完成了宏观解剖结构的高效筛查后，临床决策面临的首要问题是受压脊髓是否已发生不可逆的微观病理损伤，这直接关系到患者是应该继续保守观察，还是需要立即进行手术干预。脊髓内高信号强度区（increased signal intensity, ISI）是常规MRI诊断CSM的重要征象，但其临床判定具有显著的主观性，且无法捕捉早期超微结构的病理改变。AI的引入为这些隐匿信号提供了客观、定量的标准^[34]，例如，影像组学能够提取肉眼不可见的组织异质性高阶特征^{[35, 36]}，ALAN等^[37]利用机器学习算法分析术前T1和T2加权图像的纹理特征，成功实现了对CSM患者术前症状严重程度的客观评估。

       然而，单纯依赖常规T2WI信号存在内在的病理学矛盾，高信号既可能代表可逆的血管源性水肿，也可能代表不可逆的组织坏死与软化，特异性明显不足^[38]，AI与DTI的结合使分离这些病理信号成为可能^{[39, 40]}。YANG等^[41]提出的DCSANet-MD模型通过端到端自动提取并融合DTI的2D切片和3D空间特征，在CSM病理严重程度分级预测中取得了82%的准确率。为进一步解决特征降维带来的信息流失问题，WANG等^[42]利用支持张量机直接分析DTI的原始张量数据结构，识别病变责任节段的准确率高达93.62%，展示了AI在高维异构数据处理上的优势。

       针对传统DTI在处理受压脊髓这一复杂微环境时易受水肿、炎症等混叠效应干扰的问题，ZHANG等^[43]将AI算法与DBSI相结合，DBSI利用多张量模型实现了对体素内弥散信号的解耦，能够从轴突内外的复杂信号中分离出纤维成分、受限水组分及非受限水组分。这种微结构定量表征能力使模型能够区分可逆性的细胞外水肿与不可逆性的轴突断裂，为辅助临床决策中的手术干预时机评估提供了潜在影像学参考^[44]。

       而针对¹⁸F-FDG正电子发射断层扫描（positron emission tomography, PET）等高级代谢成像评估脊髓功能成本高昂且伴有辐射的问题，WANG等^[45]构建了基于常规MRI T2WI的影像组学机器学习模型，成功预测了轻症患者脊髓氟代脱氧葡萄糖摄取的降低情况，这意味着临床医生仅使用常规无辐射的MRI，即可实现对脊髓代谢状态的有效评估，从而大幅降低了患者的检查成本与辐射风险。

       综上，无论是分析常规MRI的深层特征，还是拆解以DTI和DBSI为代表的多模态MRI中的复杂信号，AI都能将肉眼难辨的磁共振数据直接转化为衡量脊髓缺血、水肿和轴突断裂的客观指标。这一进步打破了传统MRI只能观察宏观压迫的局限，其输出的量化参数为后续预测患者术后恢复潜力奠定了客观的数据基础。横向对比本节研究发现，DTI结合AI在病变精准定位与分级中准确率高达82%至93%，展现出极高的临床价值。然而，当前研究仍面临一定的局限与矛盾，常规MRI中单一T2WI高信号因缺乏特异性难以精确区分可逆水肿与不可逆坏死，其评估症状严重程度的可靠性存疑。而在多模态MRI方面，单一张量模型在重度水肿信号交叠时极易出现信号失真，从而导致评估偏差。当前该领域研究面临着两方面的局限性：一是多为单中心小样本队列，缺乏外部验证，限制了模型在真实世界中的泛化能力；二是部分模型仅依赖单一T2WI，存在特征遗漏风险，且普遍缺乏治疗后的长期神经功能随访结果作为验证模型的参考标准。未来的研究应致力于建立跨中心的大样本多模态数据库，开发融合多序列的高维评估网络，并引入前瞻性的长期随访数据进行闭环验证。

2.3 “脑-脊髓轴”网络代偿的横向诊断评估

       在对颈椎局部结构与微观病理评估的基础上，完整的诊断还应关注大脑的代偿重塑。以往的常规诊断往往只关注脊髓局部的压迫，导致临床上经常出现患者手术减压后，手脚麻木、无力等症状依然没有好转。事实上，人体的中枢神经系统是一个密不可分的整体，即“脑-脊髓轴”^[46]，当颈部脊髓受损、信号传导受阻时，大脑皮层会自发地重组功能网络，以代偿感觉和运动功能的缺失^[47]。AI结合rs-fMRI能够将大脑这种复杂的网络调节过程转化为直观的量化指标。YAO等^[6]利用支持向量机（support vector machine, SVM）分析rs-fMRI的静态与动态功能网络连接（static and dynamic functional network connectivity, sFNC/dFNC）特征，揭示了CSM患者听觉网络与右侧额顶网络等关键脑区代偿性增强的特定受损模式，实现了CSM患者与健康受试者的高精度分类，更表明大脑皮层在脊髓受累早期，会通过重塑静态与动态连接模式来代偿感觉与运动功能的缺失，这种皮层代偿的存在与强度反映了患者中枢神经系统的储备潜力^[48]。引入AI分析“脑-脊髓轴”的重塑状态，弥补了常规颈椎MRI仅关注颈椎局部压迫的局限，将大脑皮层复杂的代偿过程转化为直观的客观数据，有助于医生判断患者中枢神经系统的残余储备能力。

3 AI在CSM预后评估中的应用

       在量化脊髓的微观病理损伤程度之后，全链条诊疗流程的下一关键环节在于预判患者术后的神经功能康复潜力。这一预判不仅能辅助医生精准把握手术时机，还能直接指导手术入路的选择以及围手术期个体化康复策略的制定，从而改善患者远期生活质量。AI将多维度的影像特征转化为对临床结局的量化预测，从而真正完成从辅助阅片到辅助干预的决策闭环。

3.1 术后功能改善的个性化预测

       术后神经功能恢复的精准预判是优化手术决策的核心^[49]。在这一环节中，AI模型首先被应用于挖掘常规临床指标与宏观形态学、生物力学特征之间的深层关联。HOPKINS等^[50]在一项初步研究中利用深度神经网络分析脊髓白质纤维束体积，实现了对术后mJOA评分的线性预测，从物理量化角度初步证实了利用常规影像学特征及AI算法预测临床恢复程度的可行性。

       除了脊髓实质病变，椎旁肌肉质量与颈椎序列对康复的影响也逐渐受到关注。LI等^[51]针对椎板成形术患者，探索了颈椎矢状位参数与椎旁肌肉脂肪浸润的预测价值，研究证实，融合了这些生物力学特征的DL模型预测术后JOA评分恢复率的准确率达76.90%，揭示了椎旁肌肉组织退变是影响神经康复的核心负面因子。借助AI技术，可对常规阅片中难以定量的物理特征进行自动提取与权重分析，为临床围手术期康复方案的制定提供了更全面的支撑。

       整合现有预后预测模型可以发现，高预测价值的AI模型往往依赖于多源异构数据的融合。将颈椎生物力学参数与肌肉退变特征纳入评估体系，纠正了以往仅关注脊髓受压程度的片面认知，证实了颈周肌肉退变是限制术后康复的关键因素之一，这一发现为指导术后尽早开展针对性的颈部肌肉康复提供了理论支撑。横向对比本节研究发现，融合了三维放射组学、颈椎矢状面轴向距离（cervical sagittal vertical axis, cSVA）等参数及肌肉脂肪浸润率的综合模型展现出较好的预测潜力。但在影像特征与临床结局的对应关系上，现有结论仍存在一定的矛盾，即不同算法在敏感度与特异性上常出现失衡，突出表现为部分树模型具有高特异性但敏感度偏低的局限。此外，现有研究对具体手术技术等关键临床干预因子的纳入尚不充分。未来研究可致力于开发融合多模态数据且具备高可解释性的列线图等可视化决策工具，以进一步提升AI在个体化手术与康复决策中的临床实用性。

3.2 多模态MRI在预后判定中的优势

       在CSM预后判定中，常规MRI仅能反映宏观形态的改变，在预测远期功能恢复时往往缺乏足够的区分度，而整合AI技术与多模态MRI则能够从微观和高维特征层面量化脊髓的实质性受损程度，从而在预测患者术后的长期神经功能转归方面提供更准确的判定^[40]。ZHANG等^[52]利用SVM机器学习算法进行了一项前瞻性研究，预测CSM患者术后2年的mJOA评分能否实现临床显著改善，结果显示，仅依赖术前常规临床特征进行预测，模型的准确率仅为61.9%，而通过AI整合术前临床指标与DBSI参数后，其预测mJOA改善的准确率可提升至90.5%。而在ZHANG等^[43]另一项利用极端梯度提升（XGBoost）算法的对比研究中，基于DBSI特征的AI模型在预测术后2年神经功能改善方面的准确率达72%，同样显著优于传统DTI的62%和常规MRI的58%，这归功于DBSI等高级序列能够精准量化脊髓内部可逆的血管源性水肿与不可逆的轴突损伤，从而为AI模型预判手术获益潜力提供了病理学客观依据。

       此外，基于影像组学的高维特征解析也为预后判定提供了新的评估维度。ZHENG等^[53]提取了颈髓最狭窄节段的3D影像组学特征，并融合吸烟史、糖尿病、术前JOA评分及cSVA等构建了SVM预测模型，其受试者工作特征曲线下面积（area under the curve, AUC）高达0.967，优于单一的临床或组学模型。ZHANG等^[54]团队在特定高级序列的组学挖掘方面进行了系列深度研究，他们首先证实了对微出血和组织变性高度敏感的T2^*WI序列在预测患者术后3年长期神经功能转归中的核心价值。随后，该团队进一步利用T2^*WI提取影像组学特征并构建极随机树模型，明确了小波变换衍生的一阶方差等量化特征能反映脊髓脱髓鞘与坏死导致的信号异质性，可以作为预测患者术后恢复潜力的关键影像标志物，其组学模型在内外部验证中均表现出可靠的预测效能^[55]。

       这些研究表明，多模态MRI与AI的结合能够将传统的视觉评估转化为对微观病理及高维特征的定量分析。这种转化有效提高了预后评估的准确性，为临床制定诊疗决策提供了更为客观的数据支撑。横向对比本小节各项研究发现，就具有较高预测价值的模态而言，DBSI等高级弥散模型在量化不可逆轴突损伤与血管源性水肿方面展现出独特的预后评估价值，而基于3D或T2^*WI序列的影像组学模型则在提取病灶空间异质性等高维隐匿特征上表现出极佳的预测潜力。然而，在将多维影像特征映射为临床结局的过程中，现有结论仍表现出一定的矛盾，突出表现为不同研究在核心影像预测因子的界定上尚未达成共识，其原因主要在于单一维度的功能指标难以全面涵盖CSM预后转归的复杂性，且复杂的手工病灶分割过程不可避免地存在观察者间差异，导致了特征提取源头的不一致。未来研究可致力于开发全自动图像分割技术，并融合弥散与组学等多模态数据，以进一步提升AI预后评估模型的泛化能力。

3.3 基于“脑-脊髓轴”神经重塑的AI评估

       在精准预判术后恢复潜力时，传统的预后评估常面临颈段压迫解除但神经功能未见明显改善的临床难题，其根源在于长期的慢性缺血与压迫会导致大脑网络的代偿能力耗竭^[7]。因此，预后评估必须从横向的静态诊断跨越到纵向的动态功能监测。XIE等^[56]利用无监督学习聚类算法追踪了患者术前及术后3个月脑dFNC的演变轨迹，发现患者在接受减压手术后，其脑网络的动态状态分布会逐渐向健康人群靠拢，且AI识别出的特定动态连接状态的时间分数变化与术后mJOA评分的改善程度呈负相关，这证明了AI辅助下的“脑-脊髓轴”功能监测可作为评估手术疗效及指导康复训练的新型数字化生物标志物。

4 AI模型的关键底层技术与挑战

4.1 数据增强与模态标准化策略

       尽管AI技术结合多模态MRI在CSM各个诊疗环节中展现出了巨大的潜力，但要将其真正应用到日常临床工作中，仍面临着严峻的现实挑战。其中最大的难题在于数据本身，即高质量标注影像的匮乏，以及不同医院、不同设备间影像参数的差异，这些问题严重限制了AI模型的通用性^[57]。针对高质量标注影像匮乏的问题，PAN等^[58]引入基于混合噪声的生成扩散概率模型，通过合成高仿真颈椎MRI影像显著提升了下游分割任务的精度。在面对跨中心设备差异的问题时，研究者正引入ComBat和谐化算法消除批次效应产生的统计偏差，并尝试利用超分辨率重建技术统一不同中心间的图像分辨率与信噪比^[59]。而在应对单一模态信息不足的挑战时，特征融合策略也在不断升级。例如，YANG等^[41]在底层输入端将2D局部受压切片与3D全局空间特征进行了深度拼接与整合，从而提升了影像原始数据的利用率。

4.2 算法筛选与模型的可解释性转化

       在解决了数据输入的难题之后，AI技术走向临床应用的另一大现实挑战是算法选择的主观性与“黑盒”特征。首先要面对的挑战是如何客观地选出最可靠的模型，为避免研究者在选择算法时的主观偏好，ZHANG等^[54]引入TOPSIS多准则决策法，通过对数十种算法组合进行科学的量化打分和排序，客观筛选出了最适合当前数据的预测路径。其次要面对的挑战是AI技术的“黑盒”属性，即医生无法知晓AI是依据什么特征做出判断的，这极大地限制了临床对AI的信任度^[60]，类激活映射（class activation mapping, CAM）等可视化技术可将AI决策过程透明化^[61]，将AI判断时重点识别的区域，如脊髓-脑脊液界面消失处，用像素级的热力图进行直观展现，并进一步转化为外科医生可参考的减压宽度或椎板切开界限等解剖参数，不仅能部分解决模型不可解释的难题，更让AI技术可用于辅助医生制定个体化手术策略，有效降低减压不足或过度操作导致的并发症风险^[62]。

4.3 临床转化与伦理隐私的挑战

       除了前述数据处理与模型可解释性等底层技术带来的难题，AI在CSM中的临床转化还面临着临床验证、病理学验证与合规性的现实挑战。在临床验证方面，目前多数研究仍处于单中心的回顾性探索性阶段，尚需大规模、多中心的前瞻性试验验证AI指标对手术时机评估的潜在参考价值^[20]。在病理学验证方面，目前多数AI模型的监督学习高度依赖mJOA等临床量表作为训练的真实标签，然而此类宏观临床指标与脊髓内部真实的微观病理损伤程度之间常存在脱节。另外，受限于人体中枢神经系统活检的伦理与解剖限制，AI的数据预测始终缺乏大动物模型活检或真实活体组织切片等病理学的直接“金标准”对照^[63]。在合规性方面，AI技术在临床应用中面临严峻的伦理与数据隐私挑战。多模态MRI往往包含大量高度敏感的患者健康与生物特征信息，在跨中心数据共享与模型训练中，如何确保数据去标识化及匿名化、防范患者隐私泄露风险成为重要难题^[64]；此外，医疗数据的所有权归属、算法决策过程中的潜在偏见，以及AI辅助决策失误时的医疗责任界定等伦理问题，均尚未形成完善的法律监管框架，这在很大程度上限制了AI技术的临床应用^[65]。

5 总结与展望

       由于CSM的病理机制复杂且起病隐匿，传统MRI评估体系在早期筛查、诊断和预后预测方面仍存在局限性，AI与多模态MRI的深度融合有助于解决CSM诊疗中的诸多难点。在早期筛查与辅助诊断阶段，AI不仅实现了对脊髓解剖结构的高效分割和高危预警，更重要的是，它借助高级MRI序列（如DTI、DBSI）量化了肉眼难以察觉的微观缺血与轴突损伤，打破了传统MRI只能观察宏观压迫的局限。在预后评估方面，AI通过融合高维的影像组学特征与临床生物力学指标，能够为患者量身定制术后神经功能恢复的预测模型，帮助临床医生更好地把握手术时机和制定干预策略。特别值得强调的是，基于“脑-脊髓轴”理论的脑网络评估，或可为CSM的诊疗提供新的思路，而引入AI分析rs-fMRI来评估“脑-脊髓轴”，不仅能在诊断阶段更准确识别大脑网络的代偿情况，还能在预后阶段解释患者颈椎减压成功但症状未缓解的原因，将患者中枢神经的残余代偿潜力转化为客观的数据指标，帮助医生更准确地预测患者康复上限，并制定更有针对性的康复计划。为更直观地展示上述AI结合多模态MRI技术在CSM早期筛查、辅助诊断及预后评估等全链条诊疗环节中的应用现状，本文对各阶段的代表性研究进行了横向对比与汇总，详见表1。

       在未来技术推动下，医疗数据共享将为CSM的精准诊疗提供新的机遇。结合我国CSM患者基数巨大，且基层优质影像诊断资源分布不均的实际国情，未来的研究与转化应重点立足本土：一方面，进行国内跨区域、多中心的数据共享，利用生成式扩散模型等技术解决数据稀缺难题，建立大型、公开且符合中国人群特征的多模态数据库，并增强模型的透明度，同时应积极探索利用隐私计算技术，在保护患者隐私的前提下实现跨机构协同训练，开发具备强泛化能力的医学基础大模型，并推动轻量化AI辅助系统向基层下沉以弥补资源分布不均的不足。另一方面，AI在CSM诊疗中将从单一的影像处理工具演变为高度整合的临床决策支持系统，未来AI技术不仅能用于分析多模态MRI数据，更能深度结合患者的电子病历、症状量表等多维数据，为患者输出直观的综合风险与获益评估。这一全链条的AI辅助决策系统将直接帮助医生监测疾病进展，科学解答“何时该保守观察与何时需尽早手术”、“如何选择最优手术入路”等核心临床干预问题，从而真正实现个体化精准诊疗和提升患者远期生活质量的目标。

点击查看表格

表1  AI结合多模态MRI在CSM诊疗中的代表性研究
Tab. 1  Representative studies of AI combined with multimodal MRI in CSM