颈椎OPLL较为少见，OPLL的进展可能导致脊髓损伤，甚者瘫痪。OPLL在X线上表现较小，这导致了诊断的困难。年，日本东京大学的AtsushiOkawa教授及其团队应用卷积神经网络(CNN)的深度学习方法，建立X片上诊断OPLL的方法，并验证其检验效能，研究结果发表于《TheSpineJournal》杂志。
研究共纳入了50名因COPLL接受手术的患者，和50例正常对照患者。随机将40例作为训练集和10例作为验证集。采用中立/屈曲/伸展位的X片，总共张X片进行训练和验证。我们使用深度学习的PyTorch框架来构建CNN架构，并确定诊断OPLL的最佳概率阈值。三名普通骨科外科医生(具有5年骨科手术经验，但不擅长脊柱外科)和专业脊柱外科医生(均具有10年的脊柱手术经验)使用CNN测试集中的相同图像对每位患者进行诊断。
患者平均年龄为67.1岁，61%的患者为男性，比较测试数据集中20例(10例OPLL和10例对照)的普通骨科医生、脊柱专家和基于中立/屈伸X线片的CNN模型做出的正确诊断百分比发现：CNN模型的准确率为90%(18/20)，灵敏度和特异性为80%和%。相比之下，骨科医生的平均准确性为70%，灵敏度和特异度分别为73%(SD:0.12)和67%(SD:0.17)。脊柱外科医生的平均准确率为75%，灵敏度和特异度分别为80%(SD:0.08)和70%(SD:0.08)。基于X线片的CNN模型的AUC为0.。如果患者BMI较小且患者年龄较高，脊柱外科医生检测OPLL的准确性则趋于较高，但检验结果不显著(分别为p=0.19,0.)。
Case：一名75岁，男性OPLL患者。在Grad-CAM创建的热图中，CNN识别为诊断证据的区域在颜色上更接近红色而不是蓝色。X线平片和CT显示C4和5/6/7水平存在骨化，热图提示存在OPLL。
该研究通过将颈椎X线片与普通骨科和脊柱外科医生进行比较，验证了卷积神经网络模型在OPLL诊断中的准确性。体现了CNN模型应用于OPLL诊断的潜在价值。
阅读文献：
OgawaT,YoshiiT,OyamaJ,etal.Detectingossificationoftheposteriorlongitudinalligamentonplainradiographsusingadeepconvolutionalneuralnetwork:apilotstudy.Jan10.SpineJ.;S-(22)-9.
yinmengchen