骨关节医学影像在人工智能中的研究与应用

王 肖 ，李 晶 ，李天然（通讯作者）

（1.佳木斯大学 临床医学院，黑龙江 154007；2.解放军总医院第四医学中心，北京 100048）

在上世纪五十年代首次提出了人工智能（Artificial Intelligence，AI）的概念，其主要包括机器学习、高级算法、模式识别和挖掘数据等［1］。随着现代科技的进步，AI通过利用计算机来模仿人类活动的过程，而形成一个完整的体系，来帮助人类解决更多的工作负担，进一步解放人力资源。目前，AI和医疗领域的融合主要是采用大数据分析和机器学习（Machine Learning，ML）算法，这降低了医疗服务成本，提升了服务效率，也推动了医疗领域发展的进程。现阶段具体应用在骨关节系统主要包括以下3个方面：①骨关节的影像数据的处理；②对部分疾病分类筛查；③代替影像科医师做出简单决策。鉴于此，当前AI更擅长进行一些简单计算工作和机械记忆，而对更高层次的逻辑推理有待提高。

骨关节系统疾病图像模态呈多样化，X线对部分骨性病变及骨折的检查效果较佳，而MRI扫描可观察平片及CT无法清晰显示的软组织病变，但多数影像数据结构复杂，医师独自阅片诊断任务量大且烦琐，AI辅助医学影像可应用在多个场景下帮助医师提高诊断能力和工作效率。目前，AI在骨关节应用方面表现出巨大的潜力，本文对其应用现状及发展进行综述。

1 骨的应用

1.1 骨龄检测

在医学影像学中骨龄（Bone Age，BA）检测能查看骨骼的成熟度，这对儿童的遗传、生长和内分泌等均具有重要意义［4］。通常，BA使用Greulich-Pyle（GP）或 Tanner-Whitehouse（TW）方法对 X 射线图像手动筛选评估。GP使用标准手部图谱作为预测患儿骨龄的参考，而TW使用评分机制对多个感兴趣区域的信息评估BA。但是检测骨龄用此种方法十分耗时耗力，且不同影像科医生之间会因经验、主观差异等影响评估准确性。当前关于实现骨龄自动化检测，已有学者提出基于AI的计算机辅助诊断（Computer Aided Diagnosis，CAD）方法［5］。 因其过度依赖编码的算法特性，所以传统机器学习的CAD工具存在一些缺点。因此迫切需要合适的工具自动化检测BA，来减少主观差异、提升检测效能。

Koitk 等（2020）［6］基于 DL 算法开发了一种模型，通过检测各个骨化区域对BA评估，其模拟了TW程序的工作流程，且平均误差为4.56个月。Bui等（2019）［7］基于 TW方法及深度卷积神经网络（Deep Convolutional Neural Network，DCNN）提取的感兴趣区域对患儿进行检测和分类，结果表明影像科专家与所提出模型方法之间的平均绝对误差约为0.59年。同年，有学者使用了北美放射学会儿科骨龄提供的公共匿名数据集，该数据集包含12 611张用于训练和200张用于测试的手部X线照片［8］，证实了卷积神经网络（Convolutional Neural Network，CNN）模型可比影像科医生更准确地评估骨龄。Booz（2020）［9］等在 2020年开发了一种新型自动 BA 评估的模型，由3位不知情的影像科医生使用GP方法和AI软件评估进行比较，证明使用AI软件不影响评估准确性，且平均阅读时间减少了87%。

因此，这些研究证实AI在实际临床应用中的潜力，能帮助专家或影像科医师客观地评估BA。近年来，国内外已有研发AI的骨龄评估系统，其时效快、准确率高，读片及“诊断”可数秒完成，且各模型评估骨龄的准确率与影像科医师水平相当。

1.2 骨折检测

骨折的识别及分类对手术治疗选择相当重要，目前诸多复杂骨结构的骨折，在快速识别分类上仍存在一定困难。因此，使用AI对骨折准确识别并分类具有重要的临床现实意义。 Aghnia 等（2021）［10］提出的DCNN模型，可将CT跟骨骨折图像分为四个Sanders类别，准确率能达到72%，与使用原始非增强数据训练的基线模型相比，准确性几乎提高两倍，证实了在DCNN算法帮助下的CAD系统能够提供一种可行、有效的方法，协助医生对跟骨骨折类型进行评估。同年，Murata 等（2020）［11］基于 DCNN开发了一种模型对椎体骨折的图像进行识别，其模型的准确度、敏感性和特异性分别为86.0%、84.7%和87.3%，且与骨科医师的准确性和敏感性相当。Sato等（2021）［12］研究开发了一个关于髋部骨折的新CAD系统，其使用了来自多中心的10 484张正位骨盆X光片，准确度高达96.1%，曲线下面积（Area Under Curve，AUC）为0.99，系统实现了对髋部骨折患者高效的诊断性能。在另一项研究中［13］，DNN模型对X线照片中的骨折进行检测和定位，发现临床医生的诊断敏感性为80.8%，特异性为87.5%，而在深度学习（Deep Learning，DL）算法帮助下临床医生的诊断敏感性为91.5%，特异性为93.0%，同时临床医生平均的误诊率相对降低了47.0%，这证实了DL算法协助诊断可为临床提供可靠依据。

当前，多研究表明AI诊断骨折的准确率类似或高于影像科医生，AI通过对骨折的识别、定位及身体侧别的判读来进行骨折研究，以减少误诊漏诊率，从而为患者护理提供实质性的改善，同时减少临床医生的工作负担。

2 骨性疾病检测

2.1 骨质疏松

骨代谢疾病异常表现为骨密度 （Bone Mineral Density，BMD）改变及骨组织异常退化，在骨质疏松症中表现为BMD减低、骨骼脆性大、易骨折。目前AI主要针对于BMD的定量及定性检测进行研究。Tang 等（2021）［14］对 150 名患者的腰椎 CT 切片进行了骨密度CNN模型训练，发现模型在筛查BMD改变的准确率为76.65%，AUC为0.9167，可作为BMD定量检测新方法 Meng 等（2019）［15］发现，人工神经网络（Artificial Neural Networks，ANN）和骨质疏松症评估工具的联合应用可改善中国老年女性骨质疏松症风险筛查。另一项研究［16］开发了一种基于DCNN的全自动CT图像椎体分割和BMD计算方法，DL可以对CT图像中的腰椎体进行准确地全自动分割。通过自动回归计算的平均BMD可显示出高相关性（r>0.98），这将实现CT图像中骨质疏松、骨质减少和正常骨密度的全自动识别。Lim等（2021）［17］通过使用具有影像组学特征和腹盆腔CT的ML模型对股骨骨质疏松症预测，其准确度、特异性和阴性预测值均超过93%。

2.2 骨肿瘤

骨肿瘤种类繁多且发病率低，是临床影像诊断的一大难点，现有多项研究希望通过AI进一步获取更多准确的诊断信息。Zhang 等（2018）［18］开发并验证了一种专门用于骨肉瘤图像分割的多重监督残差网络模型，可在CT图像中骨肉瘤区域精准化自动分割，来帮助医生合理制定治疗方案，从而提高治愈率。接下来有学者开发并评估了一种DL模型［19］，证实DL算法可以对多机构数据集中的X线原发性骨肿瘤影像进行分类，它与专科医生具有相似的准确度，并且比初级放射科医生表现得更好。在另一项研究中，有学者［20］利用AI与CT和MRI图像融合技术，构建了个性化3D模型对骨盆骨肉瘤女性患者进行了术前肿瘤边缘评估。模型发现静脉内以前被忽视的多个栓子，栓子的发现，意味着预后极差，因此，图像融合模型可为骨肿瘤提供更丰富的信息。 Aoki等（2020）［21］应用 DL 算法在骨闪烁扫描前列腺癌患者的骨转移方面进行诊断，发现其结果与核医学专家相似，可作为治疗和预后客观依据。2021年有学者［22］使用DL对膝骨肿瘤进行分类研究，根据它们是正常、良性肿瘤还是恶性肿瘤区域来检测和分类膝骨区域。发现其分类准确率为99.05%，表明DL模型可帮助医生进行膝骨肿瘤检测分类。

AI对骨肿瘤图像处理具有优势，但对骨肿瘤图像判读的准确性仍有进步的空间。特别对较小的骨肿瘤病灶还有一定的局限。因此，仍需要大量数据对模型进行优化。

3 骨关节及其他软组织病变检测

3.1 软骨及关节病变

当软骨出现退行性改变和磨损消失等情况，表明其存在不同程度的骨关节炎，尽早发现软骨变化，对于诊断慢性骨关节炎具有极高的价值。现如今AI在关节软骨诊断中的应用有定性检测、软骨识别等。2018年有学者［23］应用DL算法对MRI中膝关节软骨病变进行检测，其中包含局部缺损、纤维化、软骨软化、软骨退变和软骨损伤等，证明ML在骨关节炎分类研究方面具有一定前景。Park等（2021）［24］提出的ML算法对髋关节发育不良的诊断具有较高的准确性，其诊断能力与有经验的影像科医生相似。2021年有研究者［25］进一步开发了一种基于DL的自动化算法联合使用膝关节X光片的后-前和侧位图，根据Kellgren-Lawrence分级系统评估膝关节骨关节炎的严重程度，模型测试集获得了71.90%的准确率，证明了DL算法对膝关节骨关节炎严重程度的评估有一定的应用价值。在另一项研究中［26］，回顾性收集了11 353张膝关节MRI检查的冠状和矢状位质子密度加权脂肪抑制图像。研究发现，3DCNN模型的内侧半月板撕裂检测的AUC值为0.93和0.95，外侧半月板撕裂检测的AUC值为0.84和0.91。这表明ML算法在膝关节半月板病变检测方面具有较高准确性。

3.2 其他软组织应用

目前，AI在骨关节软组织方面也有所涉及，如关节韧带损伤、肌间脂肪定量分析、肌腱撕裂识别等。关节韧带的状态与膝关节各类疾病的诊断有关。 Namiri等（2020）［27］开发使用 3DCNN 和 2DCNN模型，其对前交叉韧带损伤（Anterior Cruciate Ligament，ACL）分类的总体准确率分别为89%和92%，表明CNN可对ACL损伤进行检测并分级。目前，大腿肌肉和脂肪组织的分割对于了解骨关节炎等肌肉骨骼疾病相当重要，Ding 等（2020）［28］在 MRI图像上基于DL开发并评估了一种自动化全大腿肌肉分割方法，发现自动分割产生的ICC总体上高于手动分割（0.921 vs 0.902），且在脂肪定量估计中有更高的准确性，同时节约了分割时间。Kang 等（2021）［29］开发了一种基于腋外侧肩部X光片DL算法，可根据腋侧位片上小结节的变化及临床数据评估肌腱撕裂。这进一步证实了DL算法可作为初步评估肌腱完整性的客观依据。目前，在骨关节系统应用领域内，以DL为代表的AI技术仍在不断拓展。

4 问题与展望

近年来，尽管人工智能在骨关节系统医学影像上已经取得了一定进展，但与其他热门领域如神经系统、呼吸系统等相比仍然存在不足：①数据处理系统仍需完善，对于研究最多的是前交叉、半月板、韧带及软骨，而对肌腱、肌肉等关节周围组织的研究相对较少［30］。关节是人体重要的承重及运动系统，解剖关系精细复杂，各结构组织间紧密联系，需要看作一个整体进行探索研究；②当前实验大多是对已有数据进行回顾性研究，缺乏骨关节系统疾病的前瞻性研究，以提供更有价值的诊疗及预后参考；③模型效能有待提高，目前AI骨关节系统医学影像模型数据来源相对单一，多数模型仍处于开发验证阶段，极少数研究模型可在复杂的临床环境里对患者症状的安全性及通用性进行评估，表明模型具有不稳定性。在未来，需着重提升模型在多中心数据上的泛化性和稳定性，为复杂的临床环境提供更坚实的理论依据；④模型应在影像资料开发的基础之上，结合患者实验室检查及病史等综合信息，提高模型的准确性，更好地服务于患者和临床。

随着AI技术与医学影像的深度融合，AI在影像中的应用和研究将进一步拓展和深化。同时，随着影像图像数据集的增多及诊断参考标准的收集，未来将开发更精确、更先进的AI模型，也将收集更多的前瞻性数据，构建更具有代表性的骨关节系统疾病的预测模型。坚信在未来不断的尝试与突破后，AI能克服当前的不足，为影像科提供更高效的帮助，从而降低医疗成本，优化服务模式，踏入智能医疗影像的新征程。