人工智能,能為成人脊柱畸形做些什麼?

目前國內正處於抗擊新冠疫情的關鍵時期,尤其是在復工返工階段,在如何追蹤並觀察接觸者、進行數據預測和新的流行病學傳播模型上,人工智能(artificial intelligence,AI)已經發揮出了其相應的輔助作用,引起了大家關注。

由此及彼,近年來,AI在脊柱外科多個專業領域中也得到了快速的發展與應用。2019年,美國加州大學舊金山分校Joshi RS等在Neurospine上發表了《Artificial Intelligence for Adult Spinal Deformity》一文,就AI在成人脊柱畸形領域中的應用進行了詳細文獻回顧與分析,指出該技術在ASD個體化診療中具有光明前景。然而,鑑於ASD疾病的複雜性,如何理性看待與AI相關的脊柱外科研究成果以及其推廣普及,業內可謂是仁者見仁、智者見智。為便於同道們更好地瞭解該研究,現將全文及點評翻譯整理,並附上編者觀點,不當之處,敬請指正!

中南大學湘雅二醫院脊柱外科骨科在線脊柱專業副主編 王冰


前言

成人脊柱畸形(adult spinal deformity,ASD)是一種常造成嚴重疼痛和功能障礙的複雜脊柱疾患。其病因多樣,包括退變性、特發性、先天性和醫源性(脊柱手術史)等。諸多研究表明,採用手術治療,可以有效矯正異常脊柱參數,從而顯著改善患者、尤其是嚴重功能障礙者的生活質量(health-related quality of life,HRQoL)。為獲得滿意的畸形矯正,幾乎所有病例都需要軟組織鬆解和截骨術。僵硬ASD患者需行高等級三柱截骨術,此類技術往往伴隨更大的手術侵襲、更高的併發症風險(包括圍手術期和遠期)、神經相關風險和更高的直接成本。

為控制風險和改善成本/效益比,近十餘年來脊柱外科醫生主要是依靠已有文獻、廣泛培訓和個人臨床經驗向患者提供關於手術治療ASD風險和收益建議。研究多采用簡單的統計方法,如線性迴歸或邏輯迴歸,並給出在整個流行病學中的平均水平,這種方式與特定患者的相關性可能最弱。隨著醫療朝著數字化和智能化方向發展,醫學領域已逐漸採用計算技術來處理大數據,通過創建複雜的數學模型來描述似不相干變量之間的關係,其中以機器學習的應用最為廣泛。

人工智能的理念是,當獲得新數據並將其應用於未來新情況時,創建一個能夠模仿我們不斷學習能力的系統。作為人工智能的子集,機器學習包括在大量數據上的“訓練”算法,並識別數據中的關係(圖1)。當某個算法對前期獲取的數據已完成了訓練,則可應用已建立的模型對新數據進行特定的預測或決策。與傳統的統計方法相比,機器學習模型對單個患者預期數據的適用性具有巨大的優勢。傳統的統計方法描述的是對大量不同患者群體的估計,而前瞻性效用很弱。因此,機器學習模型可以有效地增強外科醫生,尤其是從事脊柱畸形的醫生為患者提供有效諮詢的能力。

人工智能,能為成人脊柱畸形做些什麼?

圖1. 人工智能及其相應子集


早期預測分析

1. 方法和統計

建立在機器學習算法上的ASD預測分析近年來取得了明顯進步,結果有助於醫生和患者進行更全面的術前討論、手術決策與溝通。ASD預測分析內容包括預測術中、圍手術期、術後併發症和研究成果。

諸多相關研究在開發各自的預測模型時都採用了類似的原則和方法。本文提到的所有研究中,最常用的技術主要是基於決策樹的機器學習,其中根據目標變量(輸出)構建分類或迴歸樹。決策樹學習的理念是將決策的算法建立一個樹狀模型(類似於一個流程圖)(圖2)。該樹將從表現為關於項目(患者)的“分支”的觀察(臨床變量)延伸到表現為“樹葉”的項目目標(預期的輸出結果變量)的結論。

人工智能,能為成人脊柱畸形做些什麼?

圖2

圖2. 描述決策樹分類器的示意圖,以及如何迭代形成樹結構來預測期望輸出。在該圖中,屬性表示臨床變量,箭頭所示的屬性值對應於給定屬性/臨床變量的不同觀察值。最終結果/目標是期望的變量或預測(即併發症是/否)

為創建預測模型,這些決策樹首先通過學習一個訓練集來創建,該訓練集常是整個數據集70%-80%的分區。創建後,使用驗證集(通常是數據20%-30%的分區)對模型的參數進行微調。最終預測模型預測準確性的測試度量通常是派生於一個“測試集”,該“測試集”實際輸出已知,並報告使用%準確性和曲線下面積(AUC)等度量(圖3)。決策樹學習概念的變化使分析更加穩健和可概括地(減少過度擬合)對新數據做出預測。這些變化包括使用引導,訓練階段創造決策樹的隨機樣本數據和隨機森林算法——對實際決策樹算法的一個小修改,該算法隨機選擇一個特徵子集(變量),並構建具有不同結構的決策樹,以找到預期輸出的最強預測因子。集成方法,如隨機森林或自舉決策樹,結合幾種不同的學習算法(不同結構的樹),創建一個更強大的分類器,將有更好的預測價值和更低的方差。

人工智能,能為成人脊柱畸形做些什麼?

圖3

圖3. 流程圖展示了在機器學習模型開發過程中使用的培訓、驗證和測試的一般流程。該圖顯示瞭如何從原始數據生成訓練數據,然後將訓練數據(通常是80/20)分成訓練集和驗證集,通常使用一種稱為交叉驗證的技術。將訓練數據隨機分割80/20 k次,使模型從訓練集中學習,然後利用驗證集k次進行參數調優;最後對所學習的模型進行平均選擇最優模型。然後得到的模型在一個不同的測試集上進行測試,以進行最終的性能評估,通常由%的準確性和曲線下的面積值表示。該模型可用於對新數據進行預測

2. 優勢、限制和缺陷:統計模型vs機器學習

雖然統計模型與醫療結果分析高度相關,但它們在適用性方面確實存在一些限制,特別是與機器學習相比。統計建模和機器學習之間的主要區別在於它們的數據需求、對生成模型解釋和理解的難易程度。統計建模的目的是解釋或推斷模型中變量之間的關係。另一方面,機器學習的強大之處在於它能夠處理大量不同變量的大量數據,生成對特定結果的高精度預測。統計模型雖然預測結果的準確性較低,但通常更容易解釋,而機器學習模型較為複雜。

在醫學分析領域,機器學習方法和統計建模之間的一個關鍵區別在於它們對數據的不同需求。一般來說,統計可以應用於相對較少的數據,同時仍然允許對變量之間的關係做出合理的推斷。而另一方面,為了有效地創建預測模型,機器學習需要大量的數據,然後通過隨後添加新數據來改進預測模型。但在脊柱外科中缺乏大量的前瞻性收集的數據集,因此應該謹慎地看待後面描述的一些預測模型,在沒有提供足夠的數據來訓練機器學習模型時,預測的準確性可能會有很大的差異。此外,考慮到目前存在的應用機器學習易於訪問的應用程序,這些模型背後諸多細微之處常為普通用戶所忽略。其中包括謹慎管理以不同形式存在的數據(合併症、實驗室結果、二變量結果、自由文本等),以及忽略模型和參數培訓。

在醫學領域通常會遇到等級不平衡的問題,導致我們的預測嚴重偏倚。此外,沒有經過足夠樣本容量訓練的模型可能會受到過度擬合的阻礙,這意味著該模型可以有效地描述現有數據,但不能以同樣的準確性推斷新數據。數據科學家利用許多常見的技術來規避這些缺點,其中最常見的是需要對所需模型進行適當的培訓、驗證和測試。在機器學習模型的開發過程中,對參數校準和調優的不恰當缺失可能會導致錯誤的結論,因此醫生和研究人員必須注意。

3. 圍手術期分析和結果

預測分析主要應用於評估術後結果,Durand等研究了1029名ASD患者,建立了一個預測模型,用於預測術中術後輸血。單一決策樹和隨機森林模型都是在824名患者的訓練集上開發的,並在205名患者的驗證集上進行了測試。最終的分類樹模型和隨機森林模型的AUC分別為0.79和0.85,兩種模型之間沒有顯著差異。由此產生的模型可以為外科醫生提供準確的工具來預測ASD患者的輸血率,從而為合理手術計劃提供依據。研究還建立了評估住院時間(LOS)和主要早期併發症的模型。在Scheer等的研究中,使用來自557例ASD患者的人口學基線資料、影像學和手術因素的45個變量,建立了早期併發症(術中和術後6周內)的預測模型。使用5個不同的引導模型訓練了一組決策樹,並使用70:30的數據分割完成了內部驗證。模型擬合良好,總體精度為87.6%,AUC為0.89。Safaee等曾經利用653例來訓練一個廣義線性模型(改進線性迴歸用於非正態的任意分佈的樣本)預測ASD手術後住院時間,並在另一組240名患者的測試集中進行驗證。75.4%預測為實際住院時間2天內。

我們亦建立了預測模型來評估ASD患者的手術結果,包括:近端交界性失敗(PJF)或近端交界性後凸(PJK)、假關節以及術後2年的主要併發症。Scheer等在510例ASD患者中首次建立PJF或PJK預測模型。決策樹使用5個引導模型進行訓練,並通過70:30的數據分割進行內部驗證,以進行模型訓練和測試。總體模型準確率為86%,AUC為0.89,說明預測模型在ASD中具備可行性和實用性。Yagi等同樣使用10個不同的引導決策樹的一個整體,但也包括骨密度作為變量生成預測模型,該預測模型在測試集中100%準確。除了PJK和PJF,預測分析也被應用於ASD手術的假關節預測。Scheer等將同樣的集合決策樹學習方法從引導模型中應用於336例ASD患者。在最初評估的82個變量中,有21個變量被用於模型生成,經測試,在2年隨訪中,預測假關節的準確率為91%,AUC為0.94。Yagi等進行了一項類似的研究,以預測195名接受手術治療的ASD患者在2年隨訪時的任何主要併發症。使用類似的集成方法,通過70:30分割訓練和測試決策樹,測試精度達92%,AUC為0.96。

預測分析也被用來預測胸腰椎ASD術後生活質量測量和頸椎序列。Passias等對225例ASD胸腰椎畸形手術建立了一個預測相互變化的模型,特別是預測頸椎序列。建立的多變量邏輯逐步迴歸模型,生成AUC為89%的預測胸腰椎矯正手術後頸椎畸形的模型。結果顯示,患者術前C2-T3 cobb角基線升高(odds ratio[OR],1.048;p=0.005)以及術中使用的SPO截骨術的數量(OR,1.336;p=0.017)均與術後頸椎序列不良顯著相關。關於ASD患者的生活質量結果,Oh等是最早應用預測分析來確定患者術後如何使用患者導出指標的人群之一。與之前的研究相似,研究者使用決策樹對234名ASD患者進行2年的隨訪,共有46個變量用於模型開發。使用70:30的數據分割進行訓練和內部驗證,他們的模型在預測哪些患者術後2年Oswestry功能障礙指數(ODI)達到最小臨床重要差異(MCID)方面顯示出85.5%的準確性,AUC為0.96。雖然Oh等對術前ODI>15的患者進行了分析,但Scheer等對術前ODI>30的198名患者使用了相同的方法,其預測準確率為86%,AUC為0.94。有趣的是,儘管有相似的訓練變量,這兩項研究中最重要的預測變量卻有很大的不同,這突出了監督機器學習方法的優勢之一。預測患者生活質量影響的研究對脊柱外科的未來至關重要,因為它們有助於術前的患者選擇和手術計劃,使患者利益最大化並降低患者和醫院支出。

高精度模型是與患者進行知情討論和為每個患者構建最佳手術計劃的關鍵。如前所述,預測分析有能力在ASD手術中產生一系列精確模型。然而,以上的研究都受到樣本大小和相對簡單算法的限制。考慮到決策樹有過度擬合已開發模型的傾向,還應該開始探索其它更高質量的方法,此點很重要。預測分析在ASD患者中的應用,為外科醫生開闢了一條利用現代計算方法來創建改進預測模型的道路。為了實現更好、更穩健的模型構建,該領域轉向通過更復雜的機器學習算法來整合人工智能,以生成預測模型。


人工智能用於成人脊柱畸形的分類及預後預測

國際脊柱研究小組(ISSG)和歐洲脊柱研究小組(ESSG)在早期試驗ASD預測分析的基本機器學習算法可行性上,做出了里程碑式的研究。Ames等發展了包括570個潛在ASD患者的預測模型,評估,術後1-2年隨訪ODI、SRS-22和SF-36實現MCID的概率。在4個時間段(術前、術後即刻、1年隨訪和2年隨訪),對每個患者共訓練了8種不同的機器學習算法,涉及75個變量。每個患者在時間範圍內的最終模型選擇最終取決於平均誤差(MAE)的最小值。外部驗證採用80%的訓練和20%的測試集分割進行,擬合優度測量如R2範圍為20%-45%,MAE範圍為選定模型的8%-15%,表明模型擬合成功。

ISSG和ESSG還嘗試在更大範圍內建立既往的術後結果研究工作,以驗證預後工具在預測ASD患者手術治療主要併發症、再入院和計劃外再手術中的效用。考慮到手術干預的複雜性和ASD畸形矯正手術相對較高的併發症發生率。目前,外科醫生只能根據前瞻性數據向患者告知重大併發症的風險,包含對整個人群的廣義估計。為擬實行侵入性手術患者創造更可靠的預後預測工具,我們開發了2個隨機森林模型。共有105個變量被用於在1612名前瞻性收集的ASD患者隊列中訓練預測模型。模型包括人口統計學特徵、合併症、影像學參數、手術特點和術中數據,不同之處在於其中一個模型包括術後即刻結果。模型訓練集的分區使用一個標準的80%分區,20%分區用於獨立測試,展示出充分的預測準確性,AUC範圍為0.67-0.92。這些準確的預後模型是患者的極佳選擇,通過減少併發症和再入院的風險,最大化手術成功的機會。

Ames等發表了另一項類似的研究,以期推動ASD手術向個體方向發展。使用機器學習模型,為SRS-22中列出的所有個人問題創建預測模型。通過使用561名患者的2個前瞻性隊列和150個患者變量的6種不同的機器學習算法,成功地建立了一個模型,可預測患者對每個單獨的SRS-22問題的結果,AUC範圍0.57-0.87。這些新技術有助於提供更可靠和個性化的信息,以滿足患者的具體護理目標。Ames等最近的一項研究首次證明,可以通過分層聚類和使用無監督學習來創建一個新的ASD分類系統。無監督學習方法(無特定的輸出對應的輸入數據集)可以迭代地學習數據的固有結構,並調查所有可用的數據,形成代表性的模型。這些模型比上面強調的監督決策樹方法更為複雜,因為它們完全可以對數據的自然結構進行數學建模,而無需知道輸入或輸出。

目前ASD的分類主要依賴於已被證明與患者預後相關的放射學參數,但臨床相關性仍不明確。兩項前瞻性隊列中分析570例患者基線數據、1年和2年隨訪數據。根據患者特徵和手術特徵(包括客觀測量和PRO數據)進行聚類,確定隊列中不同患者類型的人群。根據患者的特徵(每一例都表現出獨特的併發症和結果)。在這些患者中,年齡較大的翻修患者術前功能障礙程度最高(可能需要更多的侵入性矯正手術),併發症也較多;但在隨訪中,這些患者的臨床症狀改善最明顯。根據手術特點得出4種不同的患者類型(3柱截骨融合度高,Smith-Peterson截骨融合度高,無截骨/無椎間融合,椎間融合使用率最高)。此外,建立了效率網格來評估各種手術方法的理論安全性,因為它們直接關係到ASD患者的改善(風險-收益分析)。有了這些可用的信息,可以幫助外科醫生通過檢查不同患者亞群的風險-收益比來建立假設,並顯著增強外科醫生確定單個患者最佳治療方案的能力。

表1 研究及其相關信息總結

人工智能,能為成人脊柱畸形做些什麼?

結論

總體而言,所有上述研究都代表了來自世界各地的脊柱外科醫生和數學家為合理治療ASD所做出的共同努力。利用先進計算方法的能力,將為外科醫生和患者提供實用的大數據,以便更好地進行醫療決策。未來應繼續推進人工智能技術發展,從而使得ASD手術真正進入到個性化醫療新時代。


專家點評

(Lawrence G. Lenke, U.S.A.)

本文強調了人工智能的預測建模、分析和機器學習等功能,將在ASD的評估和治療中發揮關鍵作用。ASD是最複雜的醫學問題之一,不僅涉及從上頸椎到骶骨的整個脊柱評估,還需要評價由頭至腳的整個骨骼情況。ASD在臨床表現上具有顯著異質性,當前的非手術和手術治療中均具有臨床結果不確定、併發症發生率和成本高等問題。目前對於最常見的病理類型,業內尚無公認的ASD分類方案、手術算法、併發症嚴重性和影響性評估標準,亦無確切的方法來準確預測患者是否需要進行大手術。因此,使用人工智能進行計算數據分析對ASD患者的個性化治療很有益處。

目前為止,所有使用預測分析和早期人工智能對ASD的工作,均由少數密切參與ASD手術治療的個人和研究小組完成。採用聚類人工智能算法將異質性ASD患者分組到具有相似屬性的特定類別,具有一定的邏輯性和實用性。此外,研究組已經完成了根據術前患者、手術和治療團隊的情況,利用不同患者人口統計數據創建風險分層能力的工作,並且會隨著時間的推移而完善。然而,由於該數據僅僅來自少數幾個特定中心和外科醫生,未知的問題是:來自號稱卓越的ASD中心的合併數據能否可以推廣到全世界所有中心?僅由外科醫生和內科醫生評估和治療ASD患者?群體數據是否足夠?是否需要來自更多中心和外科醫生的數據來滿足患者個性化醫療需求?本人在北美和世界上許多國家的脊柱中心訪問過,對ASD患者的非手術和手術的多樣性有直觀經驗。實際上講,人工智能的好處是顯而易見的,但在現實世界中,由於全球醫療中心各自獨特的醫療服務模式,實現最佳醫療模式可能會困難許多。

值得注意的是,每個ASD患者,每個提供治療的脊柱外科醫生和脊柱中心都是獨一無二的,評估和治療ASD患者的最佳路徑是否需要患者和外科醫生/中心提供者共同參與?眾所周知,那些在世界各地接受培訓的脊柱外科醫生,即使是在相同的培訓項目中,也會獲得不同的培訓技能。早期數據表明,ASD手術的併發症和患者預後可能完全與手術侵襲性相關, 同手術的外科醫生或實施手術的中心無關。然而,目前的觀點是,幾乎所有高水平外科學科、外科醫生和中心在進行相同的手術時,均有較低的併發症發生率和更好的結果。為何ASD手術結果存有差別?有一點可以明確,ASD作為複雜性手術,手術醫生和術後措施的設施在降低早期併發症發生率和獲得滿意結果上具有重要的影響。

毫無疑問,醫學正在走向個性化診療新時代,人工智能及其計算優勢將為治療患者提供真正革命性變革。個人認為,人工智能編程是在微觀而不是在宏觀尺度上進行的,因此還需要ASD患和為患者提供護理的外科醫生和醫療中心參與。隨著人工智能技術的發展,決定誰來操作、手術的最佳時間(例如,遵照醫囑優化患者的營養、治療、心理和其他需求),最標準化的執行程序(例如,使用機器人和導航技術等),術後個性化方案以確保患者安全和及時恢復均將成為可能,因此,人工智能在ASD中的應用有著光明的前景。

原文:Joshi RS, Haddad AF, Lau D, Ames CP. Artificial intelligence for adult spinal deformity. Neurospine, 2019,16(4):686-694.doi:10.14245/ns.1938414.207.


編者觀點

(鄺 磊,王 冰)

如何看待與AI相關的脊柱外科醫學研究

成人脊柱畸形(ASD)是一種嚴重影響患者生活的複雜疾病。手術可有效改善患者的脊柱骨盆參數以及生活質量(QoL),但手術相關併發症風險較高。以往,人們使用諸如線性和邏輯迴歸模型的統計模型來尋找相關因素,但只代表人群中的總體情況,對個體患者幾無適用性。近年來,外科醫生開始利用通過機器學習的人工智能(AI)對相關數據進行全面處理。其應用範圍包括預測QoL、重大併發症、再入院和再次手術的風險。該技術使外科醫生能利用更準確和個性化的預測工具,更好地向個體患者提供有關ASD手術的預測結果。此外,AI已被用作創建一個新的ASD分類系統,將有助於識別不同風險獲益群體的患者。總之,這些AI工具將以滿足患者個人需求為目的,通過輔助外科醫生調整治療方案,來為脊柱外科的個性化精準醫療創造條件。

隨著基礎科研的發展,人工智能(AI)已逐漸滲透到醫學的各個領域。近年來,國內外很多醫療機構已開始與科技公司合作,對疾病的診斷、治療和管理進行研究,開發了很多關於影像識別、生物技術、輔助診斷、藥物研發等領域的產品。在脊柱外科領域,有關AI應用的雜誌投稿和論文發表也越來越多。不同於傳統的計算機算法,只要給予一定量的資料,AI就能夠根據經驗進行自我學習,從而對數據作出處理和決定。該方法尤為適合需要大量重複性工作,如影像資料分類、測量和大量主客觀數據錄入和分析的臨床研究。AI可以幫助醫生進行疾病分型、預後和併發症的估計,因此不但可以成為強大的臨床決策工具,而且更能作為科研熱點和強大幫手。但是,正如統計學原則所述,“顯著性水平要求越高,樣本量就要越大”。AI結果的準確性,不但跟給予訓練的樣本量是否充足有關,還跟樣本的抽樣方法有關。正如評論該文的著名脊柱畸形專家Lenke所言,目前供AI訓練的數據僅來源於少數頂尖醫院或醫生,未能代表人群的真實情況,因此AI推測的預後可能與真實情況有所區別。同時,退行性脊柱畸形這種疾病,患者接受的保守治療、手術治療和術後康復方法千差萬別,AI得出的治療建議能否應用到其他地區、醫院或醫生尚存疑問。

騰訊公司曾表示:AI之所以能輕易地擊敗人類頂尖棋手,並在人臉識別、自動駕駛等應用場景發展迅猛,最大的因素是其學習樣本很多。而醫療AI比其他場景有更大的複雜性,其學習樣本量非常有限,且樣本的標準也存在著很多問題。因此對於醫學AI而言,數據的要求更復雜,其發展速度必然更慢。而且,AI就像一個“黑箱”,人們往往不知道數據是如何運算而得出最終結論的。這一點也許在商業領域問題不大,但是涉及生命的醫療領域就存在倫理學爭議。

可以預見,未來AI一定會越來越多地參與到臨床醫療決策和醫學科學研究當中,也必定有更多的研究成果和創新產品面世。我們在面對相關結果和產品時,仍應秉承對待其他研究一樣的科學嚴謹態度,著重對其研究方法進行理性分析,審慎地判斷其結論,唯有如此,才有助於我們在真實世界中作出正確的臨床決策。

人工智能,能為成人脊柱畸形做些什麼?

徐潔濤

碩士研究生

師從中南大學湘雅二醫院脊柱外科王冰教授。在國家級和國際核心刊物上以第一作者發表論文4篇,SCI論文1篇。

人工智能,能為成人脊柱畸形做些什麼?

王冰

現任中南大學湘雅二醫院脊柱外科主任和脊柱外科研究室主任。擔任中國康復醫學會脊柱脊髓專業委員會青年委員會副主任委員;中國醫促會骨科疾病防治委員會脊柱內鏡學組副主任委員;中國醫師協會骨科醫師分會微創專委會微創融合學組副組長;中華中醫藥學會脊柱微創專委會常委暨經皮內鏡技術研究組副主任委員;中國研究型醫院學會脊柱外科專業委員會脊柱畸形學組副組長,中華醫學會骨科學分會基礎學組委員;中國骨科菁英會脊柱創始會員和執委;中國SICOT骨科分會基礎學組常務委員;國際側方入路手術學會中國部副主任委員;AOSpine中國部講師;中國脊柱脊髓雜誌常務編委;國際TheSpineJournal和Spine雜誌中文版編委;湖南省康復醫學會脊柱脊髓專委員主任委員;湖南省醫學會骨科分會常委;湖南省遺傳學會常務理事;白求恩公益基金會骨科基層教育委員會常委和手術指導專家等職。

擅長內鏡微創脊柱外科和各類複雜脊柱畸形的矯治。在國家級和國際核心刊物上以第一作者和通訊作者發表論文100餘篇,SCI論文40餘篇,主編和參編專著10餘部,主持國家自然科學基金4項。

人工智能,能為成人脊柱畸形做些什麼?

鄺磊

現任中南大學湘雅二醫院脊柱外科副主任。美國丹佛骨科脊柱中心、香港大學瑪麗醫院訪問學者。現任北美脊柱外科學會微創技術委員會委員,中華醫學會骨科學分會青委微創和智能骨科學組委員,中華醫學會醫學工程學分會數字骨科學組委員,國際矯形與創傷外科學會中國部數字骨科學會委員及湖南省分會委員,中國康復醫學會脊柱脊髓專委會脊柱神經電生理學組、數字脊柱外科學組委員,湖南省健康服務業協會脊柱健康分會委員及秘書。

擔任AME出版社學術編輯、期刊BMCMusculoskeletalDisorders副編輯,以及TheSpineJournal、Spine等期刊審稿人。主持參與多個國家自然科學基金、吳階平醫學基金、AOSpine研究基金、湖南省自然科學基金等項目。以第一或通訊作者發表SCI論文12篇。


聲明:此文內容及圖片由供稿單位提供,僅供學習交流,不代表骨科在線觀點。


分享到:


相關文章: