人工智能辅助识别髋关节置换术后假体松动的准确性观察

方凯彬，林晓聪，戴章生 (福建医科大学附属第二医院，福建 泉州 362000)

假体松动是导致髋关节置换术后假体失效的主要原因[1]，部分患者因此需要接受翻修手术。在早期对假体松动往往比较困难，许多松动需要到术中才能被诊断出来[2]。已经有一些无创性的方法被用于假体松动的诊断，如MRI、PET、X线等，但是这些方法准确性和敏感性都无法让人满意[3]。随着数字化医学的不断进展，人工智能已经被用于许多骨科方面的辅助诊断和辅助治疗，如膝关节炎的影像学诊断、骨折的辅助诊断等[4-5]。基于人工智能辅助下对假体松动进行诊断可能是一个新的方向。笔者拟建立一个卷织神经网络(convolutional neural network，CNN)模型对假体松动进行评估，并且评价这一模型的准确性。现报告如下。

1 资料与方法

1.1一般资料：回顾性分析53例于2014年1月～2019年12月就诊我院进行髋关节置换术后翻修手术的患者。入组患者在术前均拍摄X线。纳入标准 ：①初次翻修手术；②一般情况良好；③患者对治疗方案知情同意。排除标准 ：①合并严重脏器疾病或合并神经损伤；②假体周围骨折的患者；③既往有骨盆、髋臼骨折手术史。所有患者在收住入院后均完善骨盆正位片、在入院5 d内进行手术治疗。在翻修术中对假体稳定性进行评估是诊断假体松动的金标准[6]。所有患者在进行翻修手术的时候都由手术者对假体稳定性进行评价，假体无法被徒手拔出且无松动的患者被纳入假体稳定组，假体可以被徒手拔出或者出现松动的患者被纳入假体松动组。最后纳入假体松动组21例，假体稳定组32例。本次研究经过本院医学伦理委员会同意。

1.2研究方法：为了寻找最佳的模型，笔者首先把患者随机分配为两组，一组为训练组，包含17例松动患者和25例假体稳定患者；另一组为验证组，包含4例松动患者和7例假体稳定的患者。笔者使用的卷织神经网络模型是通过现有的开源的ResNet、AlexNet这两个经典模型衍生出来的。这两个模型已经在公开的数据库中(数据库网址：http://www.image-net.org/)对100多万个彩色图像进行了预训练。这些患者在进行翻修术前都接受了骨盆正位片检查，这些X线的影像资料首先需要在MATLAB软件上进行初步处理。以使图片转化为256×256像素的矩阵图，并且图像需要集中在假体和骨面之间以避免过多的数据识别量导致的识别误差(见图1)。我们输入的图片虽然是二维的，但是实际上模型学习的是三维的信息。这是由于图像的每一个像素都是有不同数值的红、黄、蓝三个基色构成的。每一个像素点都有3个数字作为像素值被模型读取为三维的信息。

在经过图像训练后笔者输入验证组图像对模型验证假体松动的准确率进行评估(见图2)[6]。

图1 将图片转化为模型可识别的矩阵图

图2 神经网络识别路线图

2 结果

验证组中共计6例患者被模型判断为假体松动，其中包括4例松动组的患者和2例稳定组的患者。模型判断假体松动的敏感性为100%，特异性为66%。

3 讨论

如何诊断髋关节置换术后假体松动是目前临床工作的一个难点。在笔者的研究中，我们创建并测试了一个卷织神经网络的模型来对假体的松动与否进行诊断，通过人工智能的帮助，取得了初步进展。研究中，这一模型诊断假体松动具有100%的敏感性。

但这一模型诊断假体松动的特异性只有66%。这可能与数据库不够大有关。卷织神经网络需要对大量的图像进行分析后才能得到这些图像的特点，从而做出准确的判断。这一技术目前在医学上应用广泛，特别是在肺结节良恶性、甲状腺及乳腺肿物的诊断和分类方面得到了广泛应用[7-8]。笔者创造性地将这一方法用于骨科图像的辅助识别中，这可能为以后的研究提供了思路。在笔者的研究中，首先要把图像转化为256×256的矩阵图，这一图像的信息可以通过像素的数值表现出来，从而被卷织神经网络模型识别并记忆。

有很多学者提出了诊断髋关节置换术后松动的X线标准，其中髋臼假体根据Hodgkinson[9]等的方法分为：影像学松动：臼杯位置移动(髋臼假体以外展角改变>5°或水平、垂直距离改变>2 mm;有时骨水泥及臼杯可向上方或内侧突入骨盆，伴有髋臼内侧骨皮质的骨折);或臼杯周围3个区域内出现>2 mm的连续透亮线;或髋臼杯及骨水泥断裂。这些X线的表现都可以通过局部图像的密度改变被区分，从而被模型识别笔者的研究存在一定的局限性，首先是病例数太少。这是由于松动本身发生率相对较低，进行翻修手术的患者较少，大部分患者主要是因为感染、假体周围骨折、脱位等原因进行了翻修手术。笔者未来计划继续深入研究，并且引入侧位片的识别以增加特异性。通过目前的研究，笔者使用了人工智能辅助下对髋关节置换术后是否发生假体松动进行了评价，取得了初步效果。