人工智能輔助識別髖關節置換術后假體松動的準確性觀察

方凱彬，林曉聰，戴章生 (福建醫科大學附屬第二醫院，福建 泉州 362000)

假體松動是導致髖關節置換術后假體失效的主要原因[1]，部分患者因此需要接受翻修手術。在早期對假體松動往往比較困難，許多松動需要到術中才能被診斷出來[2]。已經有一些無創性的方法被用于假體松動的診斷，如MRI、PET、X線等，但是這些方法準確性和敏感性都無法讓人滿意[3]。隨著數字化醫學的不斷進展，人工智能已經被用于許多骨科方面的輔助診斷和輔助治療，如膝關節炎的影像學診斷、骨折的輔助診斷等[4-5]。基于人工智能輔助下對假體松動進行診斷可能是一個新的方向。筆者擬建立一個卷織神經網絡(convolutional neural network，CNN)模型對假體松動進行評估，并且評價這一模型的準確性。現報告如下。

1 資料與方法

1.1一般資料：回顧性分析53例于2014年1月～2019年12月就診我院進行髖關節置換術后翻修手術的患者。入組患者在術前均拍攝X線。納入標準 ：①初次翻修手術；②一般情況良好；③患者對治療方案知情同意。排除標準 ：①合并嚴重臟器疾病或合并神經損傷；②假體周圍骨折的患者；③既往有骨盆、髖臼骨折手術史。所有患者在收住入院后均完善骨盆正位片、在入院5 d內進行手術治療。在翻修術中對假體穩定性進行評估是診斷假體松動的金標準[6]。所有患者在進行翻修手術的時候都由手術者對假體穩定性進行評價，假體無法被徒手拔出且無松動的患者被納入假體穩定組，假體可以被徒手拔出或者出現松動的患者被納入假體松動組。最后納入假體松動組21例，假體穩定組32例。本次研究經過本院醫學倫理委員會同意。

1.2研究方法：為了尋找最佳的模型，筆者首先把患者隨機分配為兩組，一組為訓練組，包含17例松動患者和25例假體穩定患者；另一組為驗證組，包含4例松動患者和7例假體穩定的患者。筆者使用的卷織神經網絡模型是通過現有的開源的ResNet、AlexNet這兩個經典模型衍生出來的。這兩個模型已經在公開的數據庫中(數據庫網址：http://www.image-net.org/)對100多萬個彩色圖像進行了預訓練。這些患者在進行翻修術前都接受了骨盆正位片檢查，這些X線的影像資料首先需要在MATLAB軟件上進行初步處理。以使圖片轉化為256×256像素的矩陣圖，并且圖像需要集中在假體和骨面之間以避免過多的數據識別量導致的識別誤差(見圖1)。我們輸入的圖片雖然是二維的，但是實際上模型學習的是三維的信息。這是由于圖像的每一個像素都是有不同數值的紅、黃、藍三個基色構成的。每一個像素點都有3個數字作為像素值被模型讀取為三維的信息。

在經過圖像訓練后筆者輸入驗證組圖像對模型驗證假體松動的準確率進行評估(見圖2)[6]。

圖1 將圖片轉化為模型可識別的矩陣圖

圖2 神經網絡識別路線圖

2 結果

驗證組中共計6例患者被模型判斷為假體松動，其中包括4例松動組的患者和2例穩定組的患者。模型判斷假體松動的敏感性為100%，特異性為66%。

3 討論

如何診斷髖關節置換術后假體松動是目前臨床工作的一個難點。在筆者的研究中，我們創建并測試了一個卷織神經網絡的模型來對假體的松動與否進行診斷，通過人工智能的幫助，取得了初步進展。研究中，這一模型診斷假體松動具有100%的敏感性。

但這一模型診斷假體松動的特異性只有66%。這可能與數據庫不夠大有關。卷織神經網絡需要對大量的圖像進行分析后才能得到這些圖像的特點，從而做出準確的判斷。這一技術目前在醫學上應用廣泛，特別是在肺結節良惡性、甲狀腺及乳腺腫物的診斷和分類方面得到了廣泛應用[7-8]。筆者創造性地將這一方法用于骨科圖像的輔助識別中，這可能為以后的研究提供了思路。在筆者的研究中，首先要把圖像轉化為256×256的矩陣圖，這一圖像的信息可以通過像素的數值表現出來，從而被卷織神經網絡模型識別并記憶。

有很多學者提出了診斷髖關節置換術后松動的X線標準，其中髖臼假體根據Hodgkinson[9]等的方法分為：影像學松動：臼杯位置移動(髖臼假體以外展角改變>5°或水平、垂直距離改變>2 mm;有時骨水泥及臼杯可向上方或內側突入骨盆，伴有髖臼內側骨皮質的骨折);或臼杯周圍3個區域內出現>2 mm的連續透亮線;或髖臼杯及骨水泥斷裂。這些X線的表現都可以通過局部圖像的密度改變被區分，從而被模型識別筆者的研究存在一定的局限性，首先是病例數太少。這是由于松動本身發生率相對較低，進行翻修手術的患者較少，大部分患者主要是因為感染、假體周圍骨折、脫位等原因進行了翻修手術。筆者未來計劃繼續深入研究，并且引入側位片的識別以增加特異性。通過目前的研究，筆者使用了人工智能輔助下對髖關節置換術后是否發生假體松動進行了評價，取得了初步效果。