人工智能在骨關節炎診療中的應用進展

【摘要】 骨關節炎（OA）是臨床常見的退行性疾病，晚期可導致關節功能喪失，具有致殘率高的特點，目前尚無有效的根治方法。因此，早期診斷和精準治療是改善治療效果的關鍵。人工智能（AI）屬于多學科交叉融合的研究熱點，近年來已逐漸應用到OA診療過程中，能夠提高OA的診斷準確性、改善臨床治療和預后效果。本文通過歸納相關文獻，對AI在OA診療中的應用現狀進行系統闡述，發現其在輔助OA影像診斷、手術治療、疾病進展預測和術后康復等方面具有潛在的應用價值，但也存在數據采集不規范、算法系統不穩定等局限，今后應建立標準化的臨床樣本數據庫，持續優化算法模型，使AI技術更好地參與OA診療。

【關鍵詞】 人工智能；骨關節炎；機器學習；深度學習；手術機器人；智能康復；綜述

【中圖分類號】 R 684.3 【文獻標識碼】 A DOI：10.12114/j.issn.1007-9572.2023.0019

【引用本文】 郭天賜，陳繼鑫，余偉杰，等. 人工智能在骨關節炎診療中的應用進展［J］. 中國全科醫學，2023，26（19）：2428-2433. DOI：10.12114/j.issn.1007-9572.2023.0019. ［www.chinagp.net］

GUO T C，CHEN J X，YU W J，et al. Recent developments in the application of artificial intelligence in the diagnosis and treatment of osteoarthritis［J］. Chinese General Practice，2023，26（19）：2428-2433.

Recent Developments in the Application of Artificial Intelligence in the Diagnosis and Treatment of Osteoarthritis GUO Tianci，CHEN Jixin，YU Weijie，LIU Aifeng

National Clinical Research Center for Chinese Medicine Acupuncture and Moxibustion/Department of Traumatology amp; Orthopedics，First Teaching Hospital of Tianjin University of Traditional Chinese Medicine，Tianjin 300381，China

Corresponding author：LIU Aifeng，Chief physician/Doctoral supervisor；E-mail：draifeng@163.com

【Abstract】 Osteoarthritis（OA）is a degenerative disease frequently encountered clinically，which can lead to loss of joint function in the late stage and is associated with a high disability rate. There is still no available cure for OA. Therefore，early diagnosis and precise treatment are the key to improving the therapeutic effect. Being an interdisciplinary research focus，artificial intelligence（AI） has been increasingly used in the diagnosis and treatment of OA recently，as it improves the diagnostic accuracy as well as clinical treatment and prognosis of OA. We summarized and systematically reviewed the literature on the application of AI in the diagnosis and treatment of OA，in which the application potential in assisting imaging diagnosis，surgical treatment，progression prediction and postoperative rehabilitation of OA was indicated，yet some limitations including non-standardized data collection and unstable algorithmic system were also identified. In the future，it is expected to establish a standardized clinical sample database and continuously optimize the algorithmic model，so as to better incorporate AI technologies in the diagnosis and treatment process of OA.

【Key words】 Artificial intelligence；Osteoarthritis；Machine learning；Deep learning；Surgical robot；Intelligent rehabilitation；Review

骨關節炎（OA）是一種以關節軟骨退變為主要特征的退行性骨關節病，好發于中老年人。一項基于全球疾病流行病學研究的結果顯示，在60歲以上人群中，OA的患病率達到27.6%［1］。目前，全世界約有2.4億人患有OA［2］，其早期的臨床表現主要為慢性疼痛及關節活動受限，中晚期可導致關節持續疼痛、畸形甚至功能喪失，對患者生存質量造成嚴重影響。影像學資料是確定OA改變的主要依據，其中以X線和MRI最為常用，結合患者臨床癥狀和體征可進一步明確OA的診斷，并進行針對性治療。然而，在OA診療過程中可能會受到影像學資料判讀不準確、患者臨床信息收集不完整及醫者臨床經驗不足等因素影響，造成不同醫者制定的診療方案存在明顯差異，影響治療效果。因此，如何實現高效、精準的診斷和治療，成為提高OA患者治療效果的首要問題。

人工智能（AI）是通過計算機程序模擬人體大腦智能的一種新興技術。多學科交叉融合是未來醫學發展的一大趨勢，隨著大數據和計算機等技術的快速發展，AI技術正在逐漸融入骨科臨床診療各個方面，其在預測患病風險、輔助疾病診斷及治療、智能化康復及遠程健康監測等方面展現出巨大的潛力與臨床應用價值［3］。近年來，AI技術在關節置換、脊柱融合手術和創傷修復方面的報道較多，但缺乏在OA診療應用方面的系統總結和梳理［4-5］。本文主要從OA診斷、治療和預后3個維度出發，對智能醫學影像診斷、數據挖掘技術、手術機器人、智能遠程康復、預后或疾病進展預測等展開詳細論述，并列舉目前應用存在的不足，探討可能的應對策略或改進方法，為更加高效、精準地診治OA提供參考依據。

1 AI技術概述

AI由計算機科學、數字科學等多學科技術融合而成，是現代學科交叉的產物，被認為是21世紀的新型尖端技術之一［6］。AI主要通過計算機算法來研究和模擬人類智能，并對人類智力進行開發和延伸，使計算機能夠實現推理問題、執行任務、自主反應等一系列智能活動。機器學習（ML）是AI的一個分支，其通過各種算法學習和大數據庫分析，預測并建立精確的數據模型，是賦予計算機智能的根本［7］。深度學習（DL）是ML中一種基于數據進行表征學習的代表性算法，DL算法能夠模擬和構建人類大腦思維方式的神經網絡機制，借助多層神經網絡自主識別并分析數據的深層次特征和規律，極大地提高了數據提取和處理能力［8］。DL的出現促進了自然語言和圖像識別、大數據分析及專家決策系統等技術領域的多元化發展［9］，這些技術方向正在融入醫學研究領域，逐漸形成了AI輔助新型診療模式，成為目前臨床醫學研究的新方向。

2 AI在OA臨床診斷中的應用

2.1 基于AI輔助X線診斷評估 X線檢查是OA患者首選的影像學檢查，但由于臨床醫師的知識水平和實踐經驗存在差異，對于影像學結果的評估常會存在主觀性和偏差。基于ML和DL算法的AI技術可以更高效地對圖像進行識別與分類，協助醫師進行影像資料判讀，提高了診斷的精度和效率［10］。一項回顧性研究應用AI輔助工具對50例膝骨關節炎（KOA）患者的疾病嚴重程度進行評估，結果發現AI工具診斷的準確率為97.8%，且診斷一致性高于放射科醫師平均水平［11］。PONGSAKONPRUTTIKUL等［12］從OA公共資源數據庫中收集了1 650張膝關節X線片建立卷積神經網絡（CNN）模型，旨在幫助骨科醫生根據K-L（Kellgren-Lawrence）分級系統檢測和評估KOA分期，結果顯示應用CNN模型檢測并區分KOA嚴重程度的準確率為85%，平均精度達到81%，提示這些模型可以作為有效的輔助診斷工具，指導專業醫師根據KOA分期選擇治療方案。然而，這一公共數據庫收集的樣本人群多數來自歐美國家，在此基礎上研發的輔助診斷工具可能并不適合國內人群，因此，構建以中國人群為主的大型OA數據庫是十分必要的。

此外，AI技術還能夠提升OA診斷的特異度和靈敏度。XUE等［13］利用CNN算法訓練和測試了420張骨盆X線圖像，對髖部OA實行自主診斷，結果顯示，與主任醫師的診斷結果相比，使用CNN模型診斷的靈敏度可達到95.0%，準確率為92.8%，相當于擁有10年臨床經驗的主治醫師水平。REED等［14］開發并測試了一種結合ML算法的篩查工具，以幫助臨床醫師診斷不同類型的手部關節炎，結果發現該算法預測手部OA的準確率和特異度分別為77.4%和73.7%，預測類風濕關節炎的準確率和特異度分別為85.1%和82.7%，這提示該工具能夠輔助相關醫師進行診斷，有效降低手部關節炎的漏診和誤診風險。然而，受限于算法識別水平，可能會出現AI算法系統識別、判讀錯誤的情況，故仍然需要有經驗的專家介入研判。

2.2 基于AI輔助MRI診斷評估 MRI圖像能為OA診斷提供更多的信息。稍早期研究多使用傳統的ML算法輔助OA診斷。ASHINSKY等［15］提出了一種模式識別和多變量回歸的軟骨退化MRI圖像分類方法，使用基于形態學的復合層次算法檢測評估了19例OA患者的軟骨退化狀態，結果顯示其準確率可達86%，表明該方法在OA的臨床檢測和分級中具有潛在的應用價值。然而，有研究報道，盡管具有形態學軟骨成像序列的MRI對檢測軟骨病變特異度高，但只有中等靈敏度［16］。DL算法的出現將有助于更好地提高診斷性能。LIU等［17］基于DL算法開發了一個全自動軟骨損傷檢測系統，以探究其在基于核磁圖像的KOA診斷中的可行性，結果顯示該檢測系統在最佳閾值下檢測軟骨損傷的靈敏度和特異度分別為84.1%和85.2%，提示基于DL的自動化檢測系統檢測軟骨損傷的總體診斷準確性較高。PEDOIA等［18］對1 478例不同病變階段的KOA患者進行了一項回顧性研究，探究3D-CNN模型在自動檢測MRI圖像病變部位及嚴重程度等方面的特異度和靈敏度，結果表明，3D-CNN模型在檢測半月板損傷方面的靈敏度和特異度分別為89.81%和81.98%，檢測軟骨損傷方面的靈敏度為80.00%、特異度為80.27%，并展現出可對病變嚴重程度進行分類的能力。

針對基于MRI診斷時可能存在誤診、漏診等不足，KLONTZAS等［19］開發了一個CNN模型來幫助鑒別膝關節軟骨功能不全骨折（SIFK）和OA，其采用受試者工作特征（ROC）曲線及各自的曲線下面積（AUC）評估人機性能，結果顯示CNN模型的總體性能最高，AUC為95.97%，證實了該方法在區分SIFK和OA方面具有較高的準確性。此外，針對人工準確解讀MRI圖像費時、出錯率高等問題，TIBREWALA等［20］基于DL算法開發了一種AI輔助工具，對MRI圖像上的髖關節OA形態學異常進行檢測，結果表明該工具能夠識別和區分軟骨病變、骨髓水腫樣病變和軟骨下囊腫樣病變，且其診斷結果與有經驗的影像醫師做出的診斷具有高度一致性。BIEN等［21］基于CNN模型開發了解讀膝關節MRI的自動化系統，用于檢測MRI檢查中的一般信號異常和特異性診斷前交叉韌帶損傷，結果發現基于CNN模型輔助的醫師與無輔助的醫師在異常檢測方面表現無明顯差異，但基于CNN模型輔助的醫師在識別前交叉韌帶損傷方面的特異度較高。考慮到該研究納入患者樣本量較小，還需要更多的前瞻性研究來驗證該模型，以確定其在臨床診療中的效用。

3 AI在OA治療中的應用

早期癥狀輕微的OA患者通過藥物、物理治療、中醫針灸推拿、運動療法等可達到較好的療效，基于AI的數據挖掘技術能夠為醫師在OA患者用藥和選穴方面提供參考依據，且已顯示出潛在的應用價值。中晚期OA患者常需要手術干預才能取得更好的治療效果，精準化、微創化和智能化是外科手術今后的發展方向，AI技術具有高精度、自動化等特點，在OA治療方面得到了廣泛應用。

3.1 數據挖掘技術輔助選穴和用藥 數據挖掘是指對原始數據進行深層次、多維度的分析，從而更為直觀、清晰地發掘數據間的潛在關聯和相互作用［22］。數據挖掘技術主要包括監督學習和無監督學習兩類算法，其中以聚類分析和關聯規則分析為代表的無監督學習算法應用更為廣泛。鄧凱烽等［23］使用關聯分析法計算藥物組合的有效關聯強度，結果顯示在KOA患者的外治中藥中，有效強關聯藥物組合為乳香-沒藥、川烏-草烏。同時對高頻中藥進行系統聚類后得出了3個有效聚類群，主要包括乳香、沒藥、紅花、當歸、川烏、草烏等中藥，這與關聯分析結果基本吻合。此外，有學者為探究推拿治療KOA的選穴規律，應用Apriori算法對高頻腧穴（頻次≥40次）進行關聯規則分析，結果提示內膝眼、陽陵泉、外膝眼和血海相互間關聯性較強，聚類分析結果進一步證實了以上四穴是推拿治療KOA的最常用腧穴［24］。因此，通過發掘不同中藥或腧穴與KOA之間的關聯，能夠幫助專科醫生對KOA患者進行更具針對性的治療，以延緩KOA進展。然而，考慮到數據挖掘技術存在一些局限性，其結果可能會與臨床實際產生偏差，必要時還需進行臨床研究加以驗證。

3.2 機器人輔助外科手術 近年來，隨著AI算法技術的改進，ROBODOC、ACROBOT、MAKO、ROSA knee、NAVIO和CORI等多款機器人系統相繼出現，并逐漸參與全膝關節置換（TKA）、全髖關節置換（THA）等手術。基于AI技術的輔助手術機器人的優勢在于增加了AI算法，對術前患者的影像學資料、術中患者的數據進行智能化分析，從而能夠計算手術路徑、準確選擇手術方案、輔助醫師術中決策，有效提高了手術的精確性和安全性［25］。吳東等［26］自主研發了一套AI系統，用于輔助THA術前三維規劃，該系統能夠對髖關節CT圖像實現精準、智能分割，并通過AI算法自動匹配臼杯和股骨柄，精準預測所需假體的型號；此外，該算法系統能夠大幅縮短術前規劃時間，與其他二維軟件相比更加高效。ACROBOT和MAKO是應用于THA手術較為常見的兩款手術機器人，后者又可根據患者術前CT圖像進行虛擬建模，從而找出最佳的假體型號及植入位置。ANDO等［27］使用MAKO機器人輔助THA治療140例髖關節發育不良繼發OA患者，結果發現MAKO機器人輔助THA組較傳統THA組髖臼假體放置的位置更為精準。KAMARA等［28］進一步對MAKO機器人輔助THA和傳統THA手術的假體放置位置進行了比較，發現MAKO機器人輔助組中97％的假體位于靶區，而傳統THA手術組僅有76％的假體位于靶區，提示在假體植入位置的準確率方面，MAKO機器人具備明顯優勢。目前，國外已更新MAKO THA系統4.0版本，新版本在術前規劃時可模擬術后動態撞擊效果，還具備輔助進行翻修手術的功能，但由于關于MAKO機器人在THA翻修術中的應用報道較少，故還需大型研究加以驗證。

此外，應用于TKA手術的機器人系統主要包括ROBODOC、MAKO、ROSA knee和CORI等。ROSA knee機器人的優勢在于其保留了截骨導板，不需要患者接受術前CT，從而能夠將截骨厚度誤差控制在1 mm以內，角度誤差控制在0.4°左右，更有利于下肢力線的矯正，但該系統對TKA患者長期的功能改善效果尚未得到證實［29］。CORI機器人系統是基于上一代產品NAVIO系統改進而來，其采用便攜式設計，無須影像引導即可完成TKA手術，與 NAVIO相比，其具有更加高效、穩定等優勢，但該系統應用于TKA手術的遠期療效及假體使用年限還有待進一步研究［30］。由于機器人設備昂貴、復雜及應用術式較為局限，目前機器人系統用于THA、TKA手術仍處于探索、發展階段。今后可通過優化術中配準方式、簡化操作流程、制造微型機械臂等措施對機器人系統加以改進，使其能夠更好地充當外科醫師的有力助手，最終造福于患者。

3.3 3D打印技術輔助外科手術 3D打印是一種快速成型技術，因其具有個體化定制、匹配度高等優勢而在臨床廣泛應用，其原理是將若干個2D平面通過材料堆積形成實體3D模型。近年來，一些學者利用AI系統進行數據分析，通過3D打印技術制作出不同的個性化導板用于關節外科手術。李軍等［31］將3D打印與數字化技術相結合，設計出相應的3D打印個性化截骨導板 （PSI），應用到脛骨高位截骨（HTO）手術，結果發現與接受傳統HTO手術的KOA患者相比，該技術可減少術中透視次數、縮短手術時間、提高截骨精準度。李小兵等［32］回顧性收集120例內側間室病變的KOA患者，結果顯示3D打印輔助HTO手術組在減少手術時間、術中透視時間及住院時間等方面具有明顯優勢，術后膝關節疼痛和功能也得到了明顯改善。吳迪等［33］選取123例重度KOA患者，隨機分為PSI輔助TKA和傳統TKA兩組，探討PSI在TKA中的應用效果，結果顯示應用PSI輔助手術可明顯縮短手術時間、減少術中失血量，術后關節疼痛改善程度也優于傳統TKA，且并發癥發生率更低。此外，3D打印技術還可用于為不同的患者制作個體化關節假體，相比于傳統關節置換術中使用的固定尺寸的關節假體，定制假體更加貼合患者的骨面，可有效減少不必要的截骨［34］。由此可見，依托于影像學檢查數據、AI系統建模的3D打印技術能夠為患者提供更加精準化、個體化的治療，且具有較高的安全性，值得深入研究。

4 AI在OA患者預后中的輔助價值

AI算法的發展為患者預后的改善提供了全新的技術手段。目前，借助AI技術開發的軟件或工具通過影像學圖像、患者檢查資料等，能夠幫助臨床醫師在治療前預測患者的預后，從而更好地評估臨床治療方案，有效減輕患者的醫療負擔。

4.1 基于AI預測疾病進展 基于AI技術構建預測模型來分析疾病發生或發展風險，能夠使專業醫師合理調整治療方案，有利于改善患者預后結局。GUAN等［35］基于膝關節X線圖像數據庫，運用DL風險評估模型預測KOA進展，結果顯示該模型預測疾病進展的AUC為0.799（靈敏度為78.0%，特異度為75.5%），提示該模型在預測影像學膝關節間隙丟失進展方面具有良好的診斷性能。LEUNG等［36］開發了一種能夠預測OA進展風險的DL算法模型，使用該模型分析患者膝關節X線圖像，并預測患者在9年內接受TKA手術的可能性，結果顯示基于DL預測模型的受試者操作特征AUC為0.87，明顯高于基于K-L分級系統的預測模型，這意味著DL模型能夠更準確地預測KOA患者接受TKA手術的可能性。

4.2 基于AI預測患者預后 AI算法技術能夠幫助醫者較為準確地預測患者預后，從而為患者提供更好的醫療服務。BINI等［37］選取22例行TKA和THA手術的OA患者，通過軟件系統收集了術前4周到術后6周患者所報告的相關數據，結合ML算法對其進行分析，結果發現該軟件系統可最早在術后11 d時預測到患者術后6周自我報告的數據。RAMKUMAR等［38］基于數據庫中78 335例初次接受THA手術OA患者的15個術前變量，設計并開發了一個人工神經網絡（ANN）模型，以將其用于預測術后患者的住院時長及費用，結果顯示ANN模型在預測相關結果時具有良好的可靠性和準確性，但該研究未進行不同DL模型之間的比較，存在一定局限性。陳潮鋒等［39］基于ML構建7種算法模型，并評估不同算法模型在預測TKA術后患者住院時間方面的效能，結果表明ANN模型的預測效果在7種模型中最好，其次為邏輯回歸和多元自適應回歸算法模型，這意味著借助ANN模型有助于縮短TKA患者的住院時間、減少醫療負擔。可見，將基于AI技術的算法模型應用于臨床實踐，有助于幫助臨床醫師更好地規劃患者的住院時長、制定個性化的治療方案，從而減少社會醫療費用，實現更高效的醫療服務。

4.3 基于AI的智能化康復 目前，AI聯合虛擬現實（VR）技術是醫學康復領域的研究熱點，基于軟件支持的AI可穿戴設備、VR康復系統等相繼出現，并逐漸應用于骨科術后康復。GIANOLA等［40］使用VR設備輔助患者進行TKA術后康復，發現使用VR技術康復的患者整體本體感覺改善情況優于常規康復的患者，提示其能夠更好地指導患者進行康復訓練。RAMKUMAR等［41］將一種遠程監控系統用于TKA術后的KOA患者，并成功收集了患者術后3個月的連續康復數據，包括膝關節活動度、患者自我報告結局、阿片類藥物使用情況等，提示基于AI技術的遠程監測系統能夠實時、全面地評估TKA術后患者的活動能力和康復依從性，對指導患者術后康復具有重要意義。PRVU等［42］基于遠程康復系統對TKA術后患者進行虛擬物理康復治療，結果發現與常規康復方式相比 （如門診或家庭隨訪指導康復），虛擬物理康復治療能夠有效降低醫療成本、減少患者醫療費用，并且在術后疼痛改善和功能恢復方面產生了與常規康復治療相似的臨床結果。因此，針對一些術后的患者，可考慮在臨床醫師監督指導下進行虛擬物理康復治療。此外，CORREIA等［43］基于AI生物反饋系統制定了數字化康復干預策略，用于指導TKA術后患者康復，并與接受常規康復治療的患者進行相關臨床結局比較，結果發現在術后不同的隨訪時間點，數字化康復治療組患者在改善膝關節疼痛和功能、增加關節活動度、提升日常活動量及生活質量等方面均優于接受常規康復治療的患者。這表明這種新型的數字化干預方法可以用于TKA術后的家庭康復，同時也在一定程度上節省了患者的醫療支出。

5 AI技術輔助OA診療的局限性及其改進方向

5.1 數據采集有限且缺乏標準 AI技術的臨床應用是建立在大樣本、標準的數據分析基礎之上，與數據的格式、質量和數量密切相關。若在建立臨床數據庫過程中使用了數據有誤、格式錯誤、數量有限的數據，會直接影響AI的輸出結果，甚至誤導或干擾臨床醫師的診療［44］。然而，由于OA檢查方法較多，且不同地區所采用的檢測設備不同，會導致臨床數據格式存在偏差。因此，建立臨床數據采集的標準和規范是必要的。此外，AI系統在OA圖像處理方面仍有待進一步完善，目前研究多局限于膝關節骨骼與軟骨結構，而對韌帶、肌腱、半月板等其他軟組織結構關注較少。今后的研究應該把膝關節作為一個整體，通過完善圖像處理與分割方法，實現膝關節周圍組織圖像的自動分割。

5.2 AI技術存在固有缺陷 目前AI應用于OA診療仍處在初級階段，其算法和操作系統缺乏穩定性，同樣會存在誤診、漏診等情況，對疾病的診斷性能及輔助治療的遠期效果存在不確定性。因此，在臨床診療時，臨床醫師還需不斷提升自己專業技能，避免對AI技術的過度依賴，將AI技術作為OA診療的一種輔助工具。此外，當前應用于OA乃至醫學領域的AI算法模型仍以數據驅動為主，存在數據需求量大、成本高等弊端。PAN［45］指出推動建立數據和知識雙驅動的AI方法，是推動AI計算范式變革發展的重要方向。因此，AI應用尚需要進一步優化算法模型，開發出能夠整合OA患者影像、體征等臨床資料的AI系統，使其真正有益于提高臨床診斷準確率，最終形成具有臨床使用價值的產品。

5.3 AI技術缺乏法律和倫理支持 AI技術迅速發展的同時也涉及一些法律和倫理問題。目前國內尚無針對醫療領域AI產品的配套法規，對AI技術臨床應用的標準和規范尚不健全。此外，AI技術需要分析和學習所收集的患者臨床數據，因此，如何保護患者個人隱私是迫切需要解決的倫理問題。今后應在健全法律制度和倫理框架下，搭建AI第三方倫理風險評估體系，并加強醫護人員的倫理道德培訓，遵循倫理先于技術、以人為本的基本原則。

立足于多學科交叉和融合的優勢，AI在輔助OA影像診斷、指導OA藥物及手術治療、預測OA進程及預后、術后遠程指導及智能化康復方面均發揮著重要作用，但目前AI應用仍存在數據提取不規范、數據庫樣本規模小、算法模型不成熟、倫理及法律制度不完善等問題。因此，在今后的臨床應用過程中，應加強醫工之間的學科交流與合作，規范臨床數據采集，進一步優化AI算法模型，精進AI相關產品的研發，明確并規范AI相關的倫理問題，同時避免對AI技術的過度依賴。相信隨著AI技術的發展及相關政策制度的完善，其在醫療各個領域的應用將會有更廣闊的發展前景，從而助力實現更加科學和精準的醫療。

作者貢獻：劉愛峰負責文章的構思與設計，并對文章整體負責，監督管理；郭天賜進行文獻檢索、篩選并撰寫論文；陳繼鑫、余偉杰負責論文修訂及審校。

本文無利益沖突。

參考文獻

[1]PEREIRA D，RAMOS E，BRANCO J. Osteoarthritis［J］. Acta Med Port，2015，28（1）：99-106. DOI：10.20344/amp.5477.

[2]KATZ J N，ARANT K R，LOESER R F. Diagnosis and treatment of hip and knee osteoarthritis：a review［J］. JAMA，2021，325（6）：568-578. DOI：10.1001/jama.2020.22171.

[3]郭昊，閆靜茹，廉洪宇，等. 人工智能應用于骨科領域相關研究的可視化分析［J］. 中國醫藥導報，2022，19（24）：16-21.

[4]張瑗，顧文華. 人工智能輔助膝關節外科：現狀與前景［J］. 創傷外科雜志，2020，22（2）：81-86.

[5]張文濤，楊明，孫天澤，等. 人工智能在脊柱外科的應用進展［J］. 中國脊柱脊髓雜志，2022，32（2）：174-179.

[6]李曉理，張博，王康，等. 人工智能的發展及應用［J］. 北京工業大學學報，2020，46（6）：583-590.

[7][VAN C B，WYNANTS L. Machine learning in medicine［J］. N Engl J Med，2019，380（26）：2588. DOI：10.1056/NEJMc1906060.

[8]CAMACHO D M，COLLINS K M，POWERS R K，et al. Next-generation machine learning for biological networks［J］. Cell，2018，173（7）：1581-1592. DOI：10.1016/j.cell.2018.05.015.

[9]劉蓬然，陸林，霍彤彤，等. 人工智能技術在骨科領域中的應用進展［J］. 中華骨科雜志，2020，40（24）：1699-1704.

[10]盧光明，張志強. 人工智能醫學影像［J］. 醫學研究生學報，2018，31（7）：683-687.

[11]BREJNEB?L M W，HANSEN P，NYBING J U，et al. External validation of an artificial intelligence tool for radiographic knee osteoarthritis severity classification［J］. Eur J Radiol，2022，150：110249. DOI：10.1016/j.ejrad.2022.110249.

[12]PONGSAKONPRUTTIKUL N，ANGTHONG C，KITTICHAI V，et al. Artificial intelligence assistance in radiographic detection and classification of knee osteoarthritis and its severity：a cross-sectional diagnostic study［J］. Eur Rev Med Pharmacol Sci，2022，26（5）：1549-1558.

[13]XUE Y，ZHANG R，DENG Y，et al. A preliminary examination of the diagnostic value of deep learning in hip osteoarthritis［J］. PLoS One，2017，12（6）：e0178992.

[14]REED M，RAMPONO B，TURNER W，et al. A multicentre validation study of a smartphone application to screen hand arthritis［J］. BMC Musculoskelet Disord，2022，23（1）：433.

[15]ASHINSKY B G，COLETTA C E，BOUHRARA M，et al. Machine learning classification of OARSI-scored human articular cartilage using magnetic resonance imaging［J］. Osteoarthritis Cartilage，2015，23（10）：1704-1712. DOI：10.1016/j.joca.2015.05.028.

[16]MENASHE L，HIRKO K，LOSINA E，et al. The diagnostic performance of MRI in osteoarthritis：a systematic review and meta-analysis［J］. Osteoarthritis Cartilage，2012，20（1）：13-21.

[17]LIU F，ZHOU Z，SAMSONOV A，et al. Deep learning approach for evaluating knee MR images：achieving high diagnostic performance for cartilage lesion detection［J］. Radiology，2018，289（1）：160-169. DOI：10.1148/radiol.2018172986.

[18]PEDOIA V，NORMAN B，MEHANY S N，et al. 3D convolutional neural networks for detection and severity staging of meniscus and PFJ cartilage morphological degenerative changes in osteoarthritis and anterior cruciate ligament subjects［J］. J Magn Reson Imaging，2019，49（2）：400-410. DOI：10.1002/jmri.26246.

[19]KLONTZAS M E，VASSALOU E E，KAKKOS G A，et al. Differentiation between subchondral insufficiency fractures and advanced osteoarthritis of the knee using transfer learning and an ensemble of convolutional neural networks［J］. Injury，2022，53（6）：2035-2040. DOI：10.1016/j.injury.2022.03.008.

[20]TIBREWALA R，OZHINSKY E，SHAH R，et al. Computer-aided detection ai reduces interreader variability in grading hip abnormalities with MRI［J］. J Magn Reson Imaging，2020，52（4）：1163-1172. DOI：10.1002/jmri.27164.

[21]BIEN N，RAJPURKAR P，BALL R L，et al. Deep-learning-assisted diagnosis for knee magnetic resonance imaging：development and retrospective validation of MRNet［J］. PLoS Med，2018，15（11）：e1002699.

[22]劉軍，韓燕鴻，潘建科，等. 人工智能在中醫骨傷科領域應用的現狀與前景［J］. 中華中醫藥雜志，2019，34（8）：3608-3612.

[23]鄧凱烽，寧恒，陸惠玲，等. 基于現代數據挖掘技術分析中醫外治法治療膝骨關節炎的用藥規律［J］. 中國中醫基礎醫學雜志，2021，27（5）：796-801.

[24]古來撒爾·艾克拜爾，盧旭昇，劉俊昌，等. 基于數據挖掘的推拿治療膝骨關節炎手法及選穴規律分析［J］. 中國中醫藥信息雜志，2022，29（5）：23-29.

[25]BUZA J A，GOOD C R，LEHMAN R A，et al. Robotic-assisted cortical bone trajectory（CBT） screws using the Mazor X Stealth Edition（MXSE） system：workflow and technical tips for safe and efficient use［J］. J Robot Surg，2021，15（1）：13-23.

[26]吳東，劉星宇，張逸凌，等. 人工智能輔助全髖關節置換術三維規劃系統的研發及臨床應用研究［J］. 中國修復重建外科雜志，2020，34（9）：1077-1084.

[27]ANDO W，TAKAO M，HAMADA H，et al. Comparison of the accuracy of the cup position and orientation in total hip arthroplasty for osteoarthritis secondary to developmental dysplasia of the hip between the Mako robotic arm-assisted system and computed tomography-based navigation［J］. Int Orthop，2021，45（7）：1719-1725.

[28]KAMARA E，ROBINSON J，BAS M A，et al. Adoption of robotic vs fluoroscopic guidance in total hip arthroplasty：is acetabular positioning improved in the learning curve？［J］. J Arthroplasty，2017，32（1）：125-130. DOI：10.1016/j.arth.2016.06.039.

[29]SEIDENSTEIN A，BIRMINGHAM M，FORAN J，et al. Better accuracy and reproducibility of a new robotically-assisted system for total knee arthroplasty compared to conventional instrumentation：a cadaveric study［J］. Knee Surg Sports Traumatol Arthrosc，2021，29（3）：859-866. DOI：10.1007/s00167-020-06038-w.

[30]SICAT C S，CHOW J C，KAPER B，et al. Component placement accuracy in two generations of handheld robotics-assisted knee arthroplasty［J］. Arch Orthop Trauma Surg，2021，141（12）：2059-2067. DOI：10.1007/s00402-021-04040-6.

[31]李軍，謝佳，梁帥，等. 膝骨性關節炎3D打印導板與傳統脛骨高位截骨比較［J］. 中國矯形外科雜志，2022，30（17）：1560-1565. DOI：10.3977/j.issn.1005-8478.2022.17.04.

[32]李小兵，郭新軍，馮立平，等. 3D打印輔助高位脛骨截骨治療內側室膝骨關節炎［J］. 中國矯形外科雜志，2021，29（21）：1950-1954. DOI：10.3977/j.issn.1005-8478.2021.21.06.

[33]吳迪，司麗娜，武麗珠，等. 3D打印截骨導板在重度膝骨性關節炎患者多半徑假體全膝關節置換術中的應用效果［J］. 實用醫學雜志，2022，38（2）：190-195.

[34]APRATO A，GIACHINO M，BEDINO P，et al. Management of Paprosky type three B acetabular defects by custom-made components：early results［J］. Int Orthop，2019，43（1）：117-122. DOI：10.1007/s00264-018-4203-5.

[35]GUAN B，LIU F，HAJ-MIRZAIAN A，et al. Deep learning risk assessment models for predicting progression of radiographic medial joint space loss over a 48-month follow-up period［J］. Osteoarthritis Cartilage，2020，28（4）：428-437.

[36]LEUNG K，ZHANG B，TAN J，et al. Prediction of total knee replacement and diagnosis of osteoarthritis by using deep learning on knee radiographs：data from the osteoarthritis initiative［J］. Radiology，2020，296（3）：584-593.

[37]BINI S A，SHAH R F，BENDICH I，et al. Machine learning algorithms can use wearable sensor data to accurately predict six-week patient-reported outcome scores following joint replacement in a prospective trial［J］. J Arthroplasty，2019，34（10）：2242-2247.

[38]RAMKUMAR P N，KARNUTA J M，NAVARRO S M，et al. Preoperative prediction of value metrics and a patient-specific payment model for primary total hip arthroplasty：development and validation of a deep learning model［J］. J Arthroplasty，2019，34（10）：2228-2234.e1. DOI：10.1016/j.arth.2019.04.055.

[39]陳潮鋒，石宇雄，梁錦成，等. 基于機器學習算法預測全膝關節置換后住院時長［J］. 中國組織工程研究，2021，25（27）：4300-4306.

[40]GIANOLA S，STUCOTIVZ E，CASTELLINI G，et al. Effects of early virtual reality-based rehabilitation in patients with total knee arthroplasty：a randomized controlled trial［J］. Medicine（Baltimore），2020，99（7）：e19136. DOI：10.1097/MD.0000000000019136.

[41]RAMKUMAR P N，HAEBERLE H S，RAMANATHAN D，et al. Remote patient monitoring using mobile health for total knee arthroplasty：validation of a wearable and machine learning-based surveillance platform［J］. J Arthroplasty，2019，34（10）：2253-2259. DOI：10.1016/j.arth.2019.05.021.

[42]PRVU B J，GREEN C L，HOLMES D N，et al. Effects of virtual exercise rehabilitation in-home therapy compared with traditional care after total knee arthroplasty：VERITAS，a randomized controlled trial［J］. J Bone Joint Surg Am，2020，102（2）：101-109.

[43]CORREIA F D，NOGUEIRA A，MAGALH?ES I，et al. Medium-term outcomes of digital versus conventional home-based rehabilitation after total knee arthroplasty：prospective，parallel-group feasibility study［J］. JMIR Rehabil Assist Technol，2019，6（1）：e13111. DOI：10.2196/13111.

[44]項林奕，朱津博，葛依婷，等. 人工智能技術在脊柱側凸診療中的應用進展［J］. 中華骨科雜志，2022，42（6）：388-394.

[45]PAN Y H. Heading toward artificial intelligence 2.0［J］. Engineering，2016，2（4）：409-413.

（收稿日期：2023-01-11；修回日期：2023-03-12）

（本文編輯：張亞麗）