阅读说明：本技术 使用人工智能的基于图像的病理预测 (Image-based pathology prediction using artificial intelligence ) 是由 S·施泰因贝格 于 2018-01-11 设计创作，主要内容包括：本发明公开了一种用于使用病理预测来确定对于受试者可接受的脊柱手术计划的方法,该方法包括：生成可能的脊柱手术计划；获得受试者的临床相关数据；获得受试者的脊柱区域的术前三维图像；确定图像中的椎骨对之间的关系；预测从手术计划预期的椎骨对之间的关系；访问多个患者数据库；从数据库中获得具有与受试者类似的特性的患者的多组数据；确定受试者的病理类型的风险；使用人工智能结合确定的风险来计算受试者的病理类型的总体风险；以及如果总体风险是不可接受的,则选择替代脊柱手术计划；以及如果上述总体风险是可接受的,则确定上述手术计划是可接受的。(The present invention discloses a method for determining an acceptable spinal surgery plan for a subject using pathology prediction, the method comprising: generating a possible spinal surgery plan; obtaining clinically relevant data for the subject; obtaining a preoperative three-dimensional image of a spinal region of a subject; determining a relationship between pairs of vertebrae in the image; predicting a relationship between the pair of vertebrae expected from the surgical plan; accessing a plurality of patient databases; obtaining from a database a plurality of sets of data for patients having characteristics similar to those of a subject; determining a risk of a type of pathology in the subject; calculating an overall risk for the type of pathology of the subject using artificial intelligence in combination with the determined risk; and selecting an alternative spinal surgical plan if the overall risk is unacceptable; and determining that the surgical plan is acceptable if the overall risk is acceptable.)

使用人工智能的基于图像的病理预测

技术领域

本发明涉及使用预测建模(诸如机器学习、深度学习或可用于预测结果的任何统计方法)来计划脊柱手术的基于图像的病理预测的领域。

背景技术

由于涉及许多因素及其复杂的关系，脊柱手术的长期手术效果难以预测。避免术后交界并发症和病理的发展是脊柱畸形手术的重要挑战。在随时间推移可能在术后发展的病理中，一些常见的病理是：

·相邻节段退变–手术融合之上的晚期椎间盘退变或节段性不稳定

·相邻节段疾病–与手术融合相邻的病理，其产生疼痛和/或神经压迫的症状，导致翻修手术

·近端交界性后凸–融合之上超过5度的节段性后凸进展的射线照相测量

·近端交界性失败–上端固定椎(UIV)和UIV+2之间的后凸在术后增加10°·后凸失代偿综合征–渐进性矢状面畸形，需要翻修手术以重新对齐脊柱

这些病理可能在手术后数月、数年甚至数十年内发展，通常需要翻修手术。此外，在手术后一段时间之后，可能会发生术后固定物失效，诸如螺钉拔出和植入物断裂。

如今，应当理解，病理和固定物失效的发展(诸如上面列出的那些)与可以从三维图像确定的术前和术后脊柱参数，以及与手术期间的解剖学调整程度密切相关，并且除了其他临床相关的患者特异性风险因素之外，计划的脊柱手术技术还应考虑这些因素。

一些现有技术参考文献描述了基于图像的预测方法，该方法使用图像导出的和非图像导出的主观数据与数据库的比较。例如，针对“Methods of predictingmusculoskeletal disease(预测肌肉骨骼疾病的方法)”授予S-WLiew等人的US 8,818,484，公开了预测受试者的骨或关节疾病的方法。除了其他方法之外，针对“Method forbone structure prognosis and simulated bone remodeling(骨结构预后和模拟骨重建的方法)”授予S-W Liew等人的US 8,073,521公开了用于估计受试者中的骨折风险的方法。针对“Computer simulation model for determining damage to the human centralnervous system(用于确定人体中枢神经系统损伤的计算机模拟模型)”授予S.C.Henderson的US 6,980,922描述了模拟人体脊髓的计算机化模型，并且使得对未来受伤的可能性做出推断成为可能。然而，这些参考文献并未尝试在所提出的手术计划与其相关联的病理风险或器械失效之间建立相关性，也未提供用于使用基于图像的病理或器械失效预测来确定可接受的手术计划的方法。

其他现有技术参考文献探索了病理发展的风险因素，但是此类参考文献通常仅专注于一种特定类别的风险因素。例如，由Maruo K.等人在SPINE,Vol.38,No.23,pp E1469-E1476(《脊柱》，第38卷，第23期，第E1469页-E1476页)中发布的文章“Predictive factorsfor proximal junctional kyphosis in long fusions to the sacrum in adultspinal deformity(成人脊柱畸形中骶骨长融合中的近端交界性后凸的预测因素)”探讨了术前和术后脊柱参数之间的关系以及病理发作的风险。该参考文献指出“UIV骨折是PJK最常见的机制。LL超过30°且预先存在的TK超过30°的变化被识别为独立的风险因素。脊柱的最佳术后对齐防止PJK的发展。最小化PJK的手术策略可包括术前计划重建，目标是最佳术后对齐。”由施普林格出版社(Springer-Verlag Wien)于2014年出版的由Michael Y.Wang等人编辑的另一个参考文献“Minimally Invasive Spinal Deformity Surgery:AnEvolution of Modern Techniques(微创脊柱畸形手术：现代技术的演变)”专注于受试者的既往病史和以往手术，作为计划脊柱手术时要考虑的重要风险因素。

Shlenk等人的“Biomechanics of spinal deformity”,Neurosurg.Focus,Vol.14,January,2003(“脊柱畸形的生物力学”，《神经外科聚焦》，第14卷，2003年1月)指出“病理性脊柱畸形，无论是急性还是慢性，通常是至少一个不稳定运动节段的结果。”该参考文献描述了“沿着或围绕IAR[瞬时旋转轴]的脊柱的六个基本节段运动可能发生：1)围绕长轴的旋转或平移；2)围绕冠状轴的旋转或平移；3)围绕脊柱的矢状轴的旋转或平移；4)沿着脊柱的长轴的平移；5)沿着冠状轴的平移；以及6)沿着脊柱的矢状轴的平移(图2)。由于严重长期施加的载荷，每个运动可能导致涉及一个或许多脊柱节段的沿两个方向之一的变形。”然而，该参考只是对畸形类型进行分类，并且没有提供用于使用基于图像的病理或器械失效预测来确定可接受的手术计划的方法。

针对“Systems and methods for surgical and interventional planning,support,post-operative follow-up,and functional recovery tracking(用于手术和介入性计划、支持、术后随访和功能恢复跟踪的系统和方法)”授予N.Nawana等人的US 9,700,292描述了以下系统，该系统“可以基于从患者和医疗专业人员收集的数据提供关于诊断、非手术治疗、手术治疗以及从手术治疗中恢复的建议”。该参考文献描述了用于手术计划的方法，包括使用数据库，但似乎没有提供用于定义椎骨对关系的特定方法，或者在脊柱手术计划方法中使用此类定义的关系，该脊柱手术计划方法预测一种或多种病理类型的可能性，以及任选与选定受试者的特定手术计划相关联的一种或多种器械失效类型的可能性。

Ngoc-Lam M.Nguyen等人的标题为“Proximal junctional kyphosis andfailure-diagnosis,prevention,and treatment(近端交界性后凸和失败-诊断、预防和治疗)”的文章(由纽约施普林格科学与商业媒体(pringer Science and Business Media,New York 2016)于2016年6月9日在线发布)总结了指出以下所述的问题“关于PJK和PJF的定义、分类和病理生理学的协议仍不完整，并且对该问题的风险因素、预防手段和治疗的理解仍有待阐明”。因此，需要用于脊柱手术计划的综合方法，该方法考虑了所涉及的多种类型的病理风险因素，尤其是准确预测脊柱手术计划的长期效果。

因此，需要基于图像分析预测未来病理，使用预测建模(诸如机器学习、深度学习或可用于预测效果的任何其他统计方法)，对类似规程的先前获得的数据的大型数据库进行操作的方法，该方法克服了现有技术方法的至少一些缺点。

该部分中以及说明书的其他部分中提到的出版物中的每个的公开内容都据此以引用方式并入全文。

发明内容

本公开描述了用于通过使用从与受试者的数据库类似的大型数据库挖掘的数据的分析预测不良手术效果的可能性来确定脊柱手术计划对于受试者是否可接受的新的示例性方法，该不良手术效果可能是以下中的至少一项：(i)相关联受试者特异性的一种或多种病理类型发展的可能性，以及(ii)相关联受试者特异性的一种或多种器械失效类型的可能性。所公开的方法使用在受试者的三维术前图像中根据预定义参数对椎骨对关系的分析，对受试者的临床相关定量数据的分析，对手术计划的分析，以及对从预测模拟得出的术后椎骨对关系的分析来预测这些风险。在需要固定物的手术计划中，可以执行对椎骨对的固定物的预期关系的附加分析。在这些分析和预测中有利地使用人工智能或机器学习来识别最高度相关或有用的椎骨对和椎骨关系以用于预测，并且允许多层次风险计算方法，其中系统能够以精确的方式基于不同的风险因素组合多个并行概率，并且能够随时间推移提高其准确性。

因此，根据本公开中描述的方法的示例性实施方式，提供了用于使用长期病理预测来确定用于受试者的可接受手术计划的方法，该方法包括：

(i)生成要在手术区域执行的脊柱手术计划，

(ii)获得受试者的临床相关定量数据，

(iii)获得受试者的所关注的脊柱区域的术前三维图像，

(iv)确定术前三维图像中选定椎骨对之间的关系，其中，至少一些关系是针对手术区域外的椎骨确定的，

(v)预测从脊柱手术计划预期的选定椎骨对中的至少一些椎骨对之间的关系，

(vi)访问包括多个患者的数据的数据库，其中，每个患者的数据包括关于发展的任何病理类型的数据，以及关于以下相关联的各项中的至少一项的附加数据：(a)术前图像、(b)术后图像、(c)临床相关的定量数据以及(d)手术计划，

(vii)从数据库中获得具有与步骤(vi)的选项(a)、(b)、(c)和(d)中至少一项的特性类似的特性的患者的一组或多组数据，

(viii)基于至少一些组中的患者与发展的病理类型的相关性，确定受试者的一种或多种病理类型的风险，

(ix)使用人工智能结合先前确定的风险以计算受试者的一种或多种病理类型的总体风险，

(x)如果一个或多个总体风险是不可接受的，则选择替代脊柱手术计划并返回步骤(v)，以及

(xi)如果总体风险是可接受的，则确定手术计划是可接受的。

在上述方法中，临床相关的定量数据可得自定性数据。另外，受试者的所关注的脊柱区域可能比脊柱手术计划的手术区域更广泛。

根据该方法的另外的实施方式，步骤(vi)的每个患者的数据还可包括关于发展的任何器械失效类型的数据，并且该方法还可包括计算对于受试者的脊柱手术计划的一种或多种器械失效类型的总体风险。此类器械失效类型可包括以下中的至少一项：螺钉拔出，过度的杆弯曲，以及植入物、螺钉、椎间体和杆中的任一项的折断或断裂。

此外，根据上述方法中的任一种，选定椎骨对之间的关系可包括以下各项中的一项或多项相对于相邻椎骨的这种测量：(i)终板之间的角度、(ii)椎骨之间的距离、(iii)椎间隙的形状或体积以及(iv)椎骨相对于脊柱的长轴、脊柱的冠状轴、或脊柱的矢状轴的旋转或平移的程度。

在上述方法中的任一种中，选定椎骨对之间的关系中的一种或多种关系可涉及椎骨对之间的椎间盘的特性。

另外，术前三维图像可以是CT图像、MRI图像、X射线图像和动态运动捕获图像中的任一者。

另外，上述方法中的任一种的替代实施方式可进一步涉及临床相关的定量数据包括以下各项中的至少一项的情况：(i)既往病史、(ii)年龄、(iii)BMI、(iv)性别、(v)合并症、(vi)民族以及(vii)当前临床状态。

此外，数据库可另外包括多个患者中的至少一些患者的病理发作的大概日期，并且上面提到的步骤(viii)还可包括确定受试者在未来的限定时间点发展一种或多种病理类型的风险。在此类情况下，该方法还可包括基于风险因素的不同组合计算受试者在未来的限定时间点发展一种或多种病理类型的条件概率。这些未来的限定时间点还可包括以下中的任一者：手术后半年、手术后一年、手术后2年、手术后5年、手术后10年和手术后15年。

附加实施方式可涉及上述方法中的任一种，其中上述步骤(viii)使用人工智能、预测建模或任何统计方法(诸如机器学习、深度学习、神经网络和回归中的任一种)来执行。

根据上述方法中的任一种，确定一个或多个总体风险是否可接受的步骤由系统根据预定义规则执行。另外，在先前提到的组中的每个组中的患者与发展的病理类型的相关性可使用以下各项中的至少一项来执行：皮尔逊相关系数、皮尔逊积差系数、线性回归分析和斯皮尔曼等级相关。

此外，在上面提到的步骤(vii)中，具有类似特性的患者的一组或多组数据可包括具有与上面提到的术前图像和手术计划的特性类似的特性的患者的一组数据，以及具有与上面提到的术后图像的特性类似的特性的患者的另一组数据。另外，在上面提到的步骤(vii)中，具有类似特性的患者的一组或多组数据可包括多个组，其中多个组中的至少一些组各自具有与上面提到的术前图像、术后图像、临床相关的定量数据和手术计划中的任一者类似的特性。

在上述方法的又另外实施方式中，在步骤(iii)中，受试者的所关注的脊柱区域的术前三维图像可包括计划的固定物的区域。

另外，上述步骤(v)还可包括预测在至少一些选定椎骨对和计划的固定物之间预期的关系。

最终，在这些方法中的任一种中，确定一个或多个总体风险的概率的步骤可使用机器学习来执行。

附图说明

从以下结合附图的详细描述中将更全面地理解和认识本发明，其中：

图1示出用于机器学习和基于其对受试者的预测的本公开的示例性方法的概念性概述；

图2示出用于机器学习和基于其对受试者的预测的本公开的示例性方法的概念性概述，该机器学习具有多个学习算法和多个病理分类器；

图3A和图3B示出用于确定非器械脊柱手术计划对于受试者是否可接受的方法的细节；并且

图4A和图4B示出用于确定器械脊柱手术计划对于受试者是否可接受的方法的细节。

具体实施方式

现在参考图1，示出了用于机器学习和基于其对受试者的预测的本公开的示例性方法的概念性概述。该方法开始于集合用于预处理和学习的系统的训练数据集。训练集包括关于多个患者的数据，并且每个患者的数据尤其可包括术前三维图像、术后三维图像、所使用的手术技术、临床相关的定量数据以及发展的任何病理或器械失效，并且可有利地包括在手术后的长时间段之后发展的那些。然后，系统可在某些风险因素和定义的负面临床效果之间找到训练集中的相关性，并使用这些相关性来提取被确定为对于预测相关的多个风险因素。然后使用深度学习算法来确定这些提取的风险因素以及风险因素的组合中的哪些可能导致发展的病理、器械失效或其他负面临床效果。然后使用学习算法根据患者的个体风险因素(诸如他们的年龄、BMI和诊断)来对训练集中的患者进行分组。

预测模型现在是完整的，并且可将用于新选定受试者的测试集输入到系统中，该系统尤其可包括受试者的术前三维图像，诸如CT扫描，以及计划的手术技术。然后，在给定计划的手术技术的情况下，预测模型可用于预测受试者发展一种或多种病理或器械失效的可能性。预测模型可另外用于受试者的诊断。如果风险被确定为不可接受，则该方法可包括选择用于预测分析的新的手术技术的附加步骤。此外，来自测试集的数据可被合并到数据库中，并且机器学习算法可以应用于新扩展的数据库，以更准确地预测未来受试者的病理或器械失效发展。在所公开的方法中使用大数据集和深度机器学习通过对较多数量和类型的风险因素进行综合分析，克服了关注有限特定风险因素的现有技术方法的困难。

现在参考图2，其示出用于机器学习和基于其对受试者的预测的本公开的示例性方法的概念性概述，该机器学习具有多个学习算法和多个病理分类器。该示例性方法示出两种不同的学习算法和两种病理分类器，但是本公开的替代方法可以有利地涉及能够产生更多学习算法和病理分类器的复杂系统。该方法开始于输入用于预处理的训练数据集，包括与多个患者相关的数据。此类数据尤其可包括术前图像、术后图像、手术技术、临床相关的定量数据以及病理或器械失效的发展。然后根据不同的术后效果对训练集中的患者进行分组，其中每组尤其包括关于用于该组中患者的风险因素、脊柱参数和手术技术的数据。然后，系统采用学习算法根据病理分类器(在该示例中为分类器1和2)对组中的数据进行分类。可以通过在风险因素和发展的病理或器械失效之间发现组内的模式或相关性来执行该步骤。病理分类器的组合是病理预测引擎或预测模型。

一旦预测引擎已经充分发展，便可以将用于受试者的测试集输入到系统中，该系统尤其包括受试者的术前三维图像和用于预测分析的计划手术技术。然后，在给定计划的手术技术的情况下，病理预测引擎提供受试者的预期手术效果，以及受试者发展一种或多种特定病理或器械失效类型的概率。如果风险被确定为不可接受，则该方法可包括选择用于预测分析的新的手术技术的附加步骤。此外，来自测试集的数据可被合并到数据库中，并且机器学习算法可以应用于新扩展的数据库，以更准确地预测未来受试者的病理或器械失效发展。

现在参考图3A和图3B，其示出用于通过以下方式来确定非器械脊柱手术计划对于受试者是否可接受的方法：预测在对受试者执行手术计划之后受试者将发展一种或多种病理类型的可能性。

在步骤1中，选择非器械脊柱手术计划以用于病理预测分析。用于预测的示例性病理包括神经肌肉病理和退行性病理，其可包括在数据库内。选定手术计划可包括手术的位置和手术中涉及的椎骨。

在步骤2中，获得受试者的临床相关的定量数据，尤其是诸如任何术前病理、年龄、BMI、性别、骨密度、维生素率、合并症、民族人口统计资料、生命体征、病史、疾病史、疾病、既往症、检测结果、诊断、药物，以及可能包括先前手术的既往病史。术语定量数据应理解为包括由受试者提供的主观或定性数据的量化。

在步骤3中，获得受试者的所关注的脊柱区域的术前三维图像，其中这样的所关注的区域可大于手术区域。三维图像可以是CT图像、MRI图像或X射线图像，并且所关注的区域可包括整个脊柱，或者可包括脊柱的尽可能大的一部分。作为另外一种选择或除此之外，可以获得受试者的动态运动捕获图像，这允许得出与受试者的运动相关的任何病理风险因素。

在步骤4中，确定术前三维图像中选定椎骨对之间的关系，其中这些关系中的至少一些关系可以是针对手术区域外的椎骨确定的。通过结合手术区域外的椎骨，该方法考虑了可能由更广泛的脊柱错位引起的病理。椎骨之间的关系基于预定义的参数，并且可包括以下各项中的一项或多项相对于相邻椎骨的这种测量：椎骨终板之间的测量、椎骨的形状或体积、椎骨之间的距离、椎间隙的形状或体积或者椎骨对之间的椎间盘的特性、以及椎骨围绕脊柱的长轴、脊柱的冠状轴、或脊柱的矢状轴的旋转或平移的程度。为了计算这些参数，可以对三维图像执行冠状和矢状面分割，从而提供每个椎骨的大概相对位置和取向，并且脊柱的冠状轴、矢状轴和长轴同样可在图像中识别。在该步骤期间可获得附加图像导出的数据，诸如椎骨运动参数范围、动态运动参数、脊柱对齐、骨质量或密度，以及解剖学对齐参数。

在步骤5中，通过预测从选定手术计划预期的选定椎骨对之间的关系来生成预测的术后三维图像的模拟。椎骨之间的关系基于预定义的参数，如上所述。

在步骤6中，访问数据库。数据库包括多个患者的数据，其中每个患者的数据包括受试者是否有病理发展，并且如果是，则包括病理类型，以及以下各项中的至少一项：(i)术前图像、(ii)术后图像、(iii)临床相关的定量数据以及(iv)手术计划。每个患者的数据还可包括患者发展病理的日期或大概时间。每个患者的数据还可包括在手术后不同时间拍摄的图像，例如在手术后2、5、10或15年拍摄的图像。

在步骤7中，从数据库获得一组数据，该组数据中的患者具有与受试者的那些类似的椎骨对的术前关系以及类似的手术计划。基于该组中的患者与发展的病理类型的相关性，采用人工智能来确定受试者的一种或多种病理类型的第一风险。任选地，可以为每种病理的发作时间设置风险。

在步骤8中，从数据库获得一组数据，该组数据中的患者具有与受试者的预测术后图像中的椎骨关系类似的术后椎骨对关系。基于该组中的患者与发展的病理类型的相关性，采用人工智能来确定受试者的一种或多种病理类型的第二风险。任选地，可以为每种病理的发作时间设置风险，其中手术的日期通常是限定的参考点。

在步骤9中，从数据库获得一组数据，该组数据中的患者具有与受试者的那些类似的临床相关的定量数据以及类似的手术计划。基于该组中的患者与发展的病理类型的相关性，采用人工智能来确定受试者的一种或多种病理类型的第三风险。任选地，可以为每种病理的发作时间设置风险，其中手术的日期通常是限定的参考点。

应当理解，步骤7至9表示风险因素组合的示例性层次，并且可以使用附加或替代层次。使用层次通过分离风险因素提供了对本公开的预测分析的新颖方法，以便准确地识别与每个风险因素或风险因素的组合相关联的相关性，并且识别相关性之间的关系。这是有利的方法，该方法在单次分析中一起分析所有或大多数风险因素，从而潜在地增加混淆变量并隐藏与预测相关的根本原因和关系的风险。在层次的可能组合中，层次的特别有利的组合使用与以下各项并行的分析：(i)具有与受试者的那些类似的术前椎骨对关系和类似的手术计划的患者的一组数据，以及(ii)具有与受试者的预测术后图像类似的术后图像的患者的一组数据。这可为受试者提供两种类似的病理概率，但是每组可包括关于不同组患者的数据，并且并行分析的结果之间的区别对于预测可能是关键的。例如，如果具有类似术前图像和类似手术计划的该组患者具有20％的近端交界性后凸发展率，并且具有类似术后图像的患者具有30％的近端交界性后凸发展率，则可以使用人工智能以各种方式进一步分析或解释这种差异。作为一个限制性示例，在组(i)中使用的手术计划与在受试者的预期术后图像的模拟中使用的计划之间可能存在微小的差异，以用于与组(ii)进行比较，并且这种微小差异可以是为受试者选择可能避免PJK发展的手术计划的关键环节。

作为一个限制性示例，可以虚拟地改变选定受试者的术前图像，以模拟解剖结构随时间推移的预期变化(例如，在20年内)，包括衰老的自然影响，不管有或没有经历特定手术。然后可将该改变的图像输入到具有数据库的系统中，并与类似患者的数据，以及关于这些类似患者是否具有特定病理的数据进行比较，以用于确定选定受试者发展该病理的概率。该方法对于长达数年或数十年的长期预测可能是有利的，因为自然衰老被认为是许多脊柱病理的风险因素。

图像得出的数据和定量数据的上述相关性可使用各种合适的相关系数中的任一种来执行，诸如皮尔逊相关系数、皮尔逊积差系数、线性回归分析和斯皮尔曼等级相关等。方差分析允许测试样本组间的差异，以确定选定变量是否对正在测量的参数具有明显的影响。

可以通过与数据点相关联的属性来汇总、分类、选择、筛选、聚类和隔离数据，以允许系统找到相关性。可以建立分布曲线并计算平均值、中值和众数。可以计算数据传播特性，例如可变性、四分位数和标准偏差。数据挖掘软件可以使用诸如聚类分析、因素分析、决策树、神经网络、规则归纳、数据驱动建模和数据可视化之类的工具。可以组织所有患者特异性相关性以构建针对每种手术类型/病理组合的动态改善的预测模型。这可能涉及例如消除弱相关或考虑统计显著性。统计显著性的测试包括卡方检验、卡方拟合优度、2×2列联表、符号检验和Phi相关系数。

对于长期预测，可以应用条件概率。例如，受试者X将在手术后20年发展病理P的概率在他在这20年期间没有涉及举重物的职业的条件下为50％，但在他在20年中的至少5年具有涉及举重物的职业的条件下为60％。在一些情况下，在数据范围内的变化很小的情况下，可以将一系列数据分配给“云”。例如，患有术前畸形X的35至40岁患者发展病理P的平均概率为8％。

在步骤10中，使用人工智能来组合病理类型的第一风险、第二风险、第三风险和任何附加的先前确定的风险，以计算受试者的一种或多种病理的总体风险。可以为每种病理设置风险，诸如以百分比的形式。任选地，可以为每种病理的发作时间设置风险，诸如受试者将在手术后十年发展PJK的概率。

系统可以使用机器学习建立的预测模型，使用单变量、双变量或多变量统计分析来输出选定患者发展一种或多种特定病理(诸如相邻节段退变、相邻节段疾病、近端或远端交界性后凸或失败以及后凸失代偿综合征)的概率。系统可使用所分配的预测值来输出他将在手术后在他生命的任何时间点发展特定病理的总体概率，并且/或者系统可输出在时间X、Y、Z等(例如，手术后6个月、1年、2年、5年、10年等)发展特定病理的概率。如果概率被认为是互相排斥的，那么这将是简单的计算，例如，P(A)|B、C和D。作为另外一种选择，更复杂的方法可以计算所有相关的条件概率，例如，当P(B)|D为X％时，P(A)|B、C和D。

在步骤11中，确定一个或多个总体风险是否可接受。该步骤可由医生或者由系统根据预定义的可接受性规则来执行，例如任何病理的小于10％的风险可以被认为是可接受的。

如果风险被认为是可接受的，则在步骤12中，手术计划被认为是可接受的并且输出以用于在手术期间使用或用于进一步分析。

如果风险不被认为是可接受的，则在步骤13中，选择替代脊柱手术计划以用于病理预测分析。

现在参考图4A和图4B，示出了用于通过以下方式来确定器械脊柱手术计划对于受试者是否可接受的方法：预测在对受试者执行手术计划之后受试者将发展一种或多种病理类型或者器械失效(诸如螺钉拔出、杆弯曲或断裂、植入物松动等)的可能性。

在步骤21中，为受试者选择器械脊柱手术计划，包括器械几何形状和放置，以用于病理和器械失效预测分析。手术计划可包括选择融合程度、固定刚度、植入物和椎间体特性和放置、杆特性以及截骨位置和角度。用于预测的示例性病理包括神经肌肉病理、退行性病理、相邻节段退变、相邻节段疾病、远端交界性后凸、远端交界性失败、近端交界性后凸、近端交界性失败和后凸失代偿综合征，所有这些都可包括在数据库中。选定手术计划可包括固定物的等级，固定物特性诸如螺钉系统、直径、椎骨中的位置、椎间体尺寸、角度、椎间隙中的位置等。

在步骤22中，获得受试者的临床相关的定量数据，尤其是诸如任何术前病理、年龄、BMI、性别和民族。定量数据可包括由受试者提供的主观或定性数据的量化。

在步骤23中，获得受试者的所关注的脊柱区域的术前三维图像，其中所关注的脊柱区域可包括多于手术区域。

在步骤24中，确定术前三维图像中选定椎骨对之间的关系，其中这些关系中的至少一些优选地是针对手术区域外的椎骨确定的。椎骨之间的关系基于预定义的参数，如上所述。

在步骤25中，执行模拟，该模拟预测选定椎骨对之间以及一个或多个器械相关联的椎骨对与计划的固定物之间的术后关系，该术后关系是从选定脊柱手术计划中预期的。该固定物相关的参数可包括螺钉相对于椎骨的角度，椎间隙内的椎间***置，固定物的等级等。

在步骤26中，访问数据库。数据库包括多个患者的数据，其中每个患者的数据包括受试者是否有病理或器械失效中的一者或两者的发展，并且如果是，则包括病理或器械失效类型，以及以下各项中的至少一项：(i)术前图像、(ii)术后图像、(iii)临床相关的定量数据以及(iv)手术计划，包括器械几何形状和放置。每个患者的数据还可包括患者发展病理或器械失效的日期或大概时间。每个患者的数据还可包括在手术后不同时间拍摄的图像，例如在手术后6个月、1、2、5、10或15年拍摄的图像。

在步骤27中，从数据库获得一组数据，该组数据中的患者具有与受试者的那些类似的椎骨对的术前关系以及类似的手术计划。基于该组中的患者与发展的病理或器械失效类型的相关性，采用人工智能来确定受试者的一种或多种病理或器械失效类型的第一风险。任选地，可以为每种病理或器械失效类型的发作时间设置风险。

在步骤28中，从数据库获得一组数据，该组数据中的患者具有与受试者的预测术后图像中的椎骨关系类似的术后椎骨对关系。基于该组中的患者与发展的病理或器械失效类型的相关性，采用人工智能来确定受试者的一种或多种病理或器械失效类型的第二风险。任选地，可以为每种病理或器械失效的发作时间设置风险，其中手术的日期通常是限定的参考点。

在步骤29中，从数据库获得一组数据，该组数据中的患者具有与受试者的那些类似的临床相关的定量数据以及类似的手术计划。基于该组中的患者与发展的病理或器械失效类型的相关性，采用人工智能来确定受试者的一种或多种病理或器械失效类型的第三风险。任选地，可以为每种病理或器械失效类型的发作时间设置风险，其中手术的日期通常是限定的参考点。

在步骤30中，使用人工智能来组合病理或器械失效类型的第一风险、第二风险、第三风险和任何附加的先前确定的风险，以计算受试者的一种或多种病理或器械失效类型的总体风险。可以为每种病理设置风险，诸如以百分比的形式。任选地，可以为每种病理的发作时间设置风险，诸如受试者将在手术后十年发展PJK的概率。

在步骤31中，确定一个或多个总体风险是否可接受。该步骤可由医生或者由系统根据预定义的可接受性规则来执行。例如，任何病理风险低于10％都可被认为是可接受的。

如果风险被认为是可接受的，则在步骤32中，手术计划被认为是可接受的并且输出以用于在手术期间使用或用于进一步分析。

如果风险不被认为是可接受的，则在步骤33中，选择替代器械脊柱手术计划，并且使用该新手术计划来执行病理和器械失效预测分析，其中重复迭代直到找到可接受的计划。

本领域技术人员应当理解，本发明不受上文特别示出和描述的内容的限制。相反，本发明的范围包括上文描述的各种特征的组合和子组合以及本领域技术人员在阅读以上描述时将想到的并且不在现有技术中的对其的变化和修改。