2023人工智能辅助诊断儿童DDH的研究进展.docx

2023人工智能辅助诊断儿童DDH的研究进展摘要儿童发育性髓关节发育不良(developmentaldysplasiaofthehip,DDH)是导致嵌关节骨关节炎和下肢残疾的重要原因，治疗难度和治疗效果与早期准确诊断密切相关。传统的诊断方法对尚未出现股骨头次级骨化中心者首选璇关节超声，对已出现者选择骨盆正位X线片；但两种方法均有赖于临床医生的手动测量与经验判断，耗时费力、可重复性差。人工智能技术与医学影像的有效整合可改善儿童DDH的诊疗现状才是升临床诊治效率。对46月龄内婴儿通过局部特征提取的分割算法、基于图像搜索的分割算法及深度学习网络等技术能够快速分析璇关节超声图像、测算DDH指标及辅助诊断DDH;对46月龄以上者利用骨边缘检测与模块匹配算法、深度迁移学习算法、同步挖掘局部及全局结构特征的卷积神经网络等技术自动识别骨性解剖关键点、计算髓关节参数及诊断儿童DDHo然而，由于技术所限及研究者认识不足，现有的儿童DDH辅助诊断工具在实际应用中面临着一些问题。通过文献检索从诊断可靠性及合理性等方面探讨儿童DDH人工智能影像学辅助诊断方法的研究进展，并为今后实现真正智能化的自动诊断工具提供研究思路。发育性嵌关节发育不良(developmentaldysplasiaofthehip,DDH)是儿童最常见的骨骼发育畸形之一，涵盖了轻度的髓臼发育不良至重度的髓关节脱位等一系列病变1。因地域和种族不同，DDH的发病率存在明显差异（0.9%。76.1%。）2,3,4oDDH重在早期发现，如早期准确诊断，不仅治疗更简单，预后也较好5,6o一旦延误诊治则可能导致早发性璇关节骨关节炎出现髓关节疼痛、跛行乃至下肢残疾7,8。发生于婴幼儿的早期DDH,尤其是轻度服臼发育不良，通过单纯的体格检查很难发现，常需借助影像学检查明确诊断9。髓关节超声及骨盆X线片是儿童DDH筛查、明确诊断及对疾病严重程度分级的重要方法。46月龄内的婴儿因股骨头次级骨化中心（secondaryossificationcenters,SOC）尚未出现，首选的影像学诊断方式应为戮关节超声检查10。超声检查不仅能通过高分辨率、高对比度观察骨骼及周围软组织，还可动态评估璇关节稳定性11oGraf图像分析法是最常用的超声检查方法12,通过二维冠状位标准平面测量确、B角等指标，结合年龄因素评估儿童骰关节发育状况，可将DDH分为正常、延迟骨化（发育不良）部分脱位（半脱位）及脱位（全脱位）四种类型。而当次级骨化中心出现后（约4-6月龄以上），由于髅臼深部（即髓骨下缘）被遮挡，超声观察效果及诊断准确率受到影响，此时应首选骨盆正位X线片评估骰臼发育、判断头臼关系6,13,14。目前临床上诊断儿童DDH仍有赖于医生手动测量和经验判断，不仅耗时费力，而且普遍缺乏可重复性，甚至误判临界型病例11,15,16,17,180近年来，随着计算机技术的发展，医学影像与人工智能（artificialintelligence,AI）的有效整合有望改善临床疾病的诊疗现状，提升临床医生的工作效率，进而缓解医疗资源紧张19,20,21。然而，现有的辅助诊断工具在实际临床应用中尚存在一定争议与难题。本文从诊断方法、应用价值、可靠性及合理性等方面回顾儿童DDH的人工智能影像学辅助诊断工具的研究进展。一、文献检索策略以("发育性髓关节发育不良"or"发育性髓关节脱位"or"DDH")and("影像检查"or"超声"or"X线"or"影像学诊断"or"人工智能"or"神经网络"or"深度学习")为检索词，分别在中国知网文献检索平台、万方数据知识服务平台、维普中文期刊服务平台、中华医学期刊全文数据库进行检索；以("developmentaldysplasiaofthehip"or"developmentaldislocationofthehipnor"hipdysplasianor"hipdislocationnor"DDH)and("imagingtechnique"orfluoroscopy"or"radiography"orultrasonography"or"artificialintelligencealgorithm"orndeepIearning"or"neuralnetwork")为检索词,分别在PubMed检索平台、Embase数据库、WebofScience数据库、Scopus数据库和Cochrane数据库进行检索，限定检索时间为各平台、数据库建立至2022年10月。重点检索近10年文献。设定文献纳入标准：(1)DDH相关的影像诊断研究；(2)DDH相关的人工智能辅助诊断研究；(3)文献类型为专著、论文。排除标准：(1)尚未开展人工智能辅助的DDH影像技术相关研究;(2)研究质量较低的文献；(3)重复性研究；(4)非中英文的其他语种的文献;(5)无法获得全文的文献。共检索到文献10134篇，使用Endnote排除重复文献，并依上述纳入及排除标准筛选文献，最终纳入文献79篇，其中中文文献7篇、英文文献72篇。二、超声智能影像诊断系统(一)儿童DDH的超声诊断46月龄内婴儿的股骨头尚未骨化，髓关节(包括戮臼顶及股骨头)以透明软骨为主，具有良好的结构可塑性及声学穿透性，首选髓关节超声检查22其中，Graf服关节超声诊断法12为首选，通过静态评估标准冠状面的嵌关节参数，可精准客观地评价酰臼发育状况。主要评估指标有两个角度和一个分型：(1)骨顶角(bonyroofangle,a):骨性嵌臼顶的切线(髓骨下缘与骨性髓臼夕M则缘的切线)与基线(髓骨外缘的延长线)的夹角22,描述骨性骰臼顶的倾斜度，是评价骰臼深度的指标23;(2)软骨顶角(cartilageroofangle,B角)：软骨性髓臼顶的切线(骨性能臼外侧缘至与盂唇中央的连线)与基线的夹角22,描述软骨性髓臼顶的倾斜度，是评价能臼纤维软骨顶覆盖程度的指标23;(3)Graf分型：Graf依据能臼形态、角、角及年龄等将婴儿髓关节超声评估结果定性定量描述为工IV型。O1Beirne等24在璇关节发育不良的国际跨学科专家共识会议(InternationalInterdisciplinaryConsensusMeetingontheEvaluationofDevelopmentalDysplasiaoftheHip）上指出Graf诊断法是最可靠的婴儿服关节超声检查方法，推荐作为婴儿早期DDH的首选检查。Graf等25,26强调规范化的髓关节超声检查及参数测量有赖于获取标准的髓关节冠状切面，应清晰识别"解剖结构八要素+标准切面三要点"，即股骨萌板（骨-软骨交界X股骨头、滑膜皱衰、关节囊、盂唇、软骨性髓臼顶、骨性髓臼顶及骨缘转折点与髓臼窝内熊骨下缘点（最重要）-平直的骼骨-盂唇中心点。大多数的超声误诊病例与上述解剖结构的识别错误有关（如混淆盂唇与滑膜皱凄、遗漏软骨性散臼顶等）27涂长玉等28认为判定髓关节超声图像是否标准十分重要,是有效减少超声测量误差、提高婴幼儿DDH诊断准确率的前提。李斌等29通过对2334例（4668骰）婴幼儿（4d6月龄）的髓关节超声筛查随访证实，获取标准的超声切面是准确测量髓关节参数的基础，否则测量误差会很大，DDH假阳性率假阴性率也随之增加。因静态图像所限，Graf诊断法无法对髓关节稳定性及脱位关节的可复性进行动态评估，且易受体位、操作技术及探头方向等影响30z31r320国内部分医生应用Graf超声诊断时存在如诊断概念不统一、标准切面选择不正确、辅助测量线绘制欠妥、分型划分错误等现象28。此后,Harcke等33、Morin等34和Terjesen等35基于实时超声（real-timeultrasound）提出了相对容易实施的超声诊断方法，可多视角动态评估璇关节稳定性。主要评估指标包括：（1）股骨头覆盖(sonographicfemoralheadcoveragebyacetabulum,FHC)33,34,即能臼窝深度(骰臼底至基线距离)占股骨头横径的比例，可通过多平面动态观察股骨头被骨性能臼覆盖的程度，出现髓关节不稳时以股骨头内侧切线取代髓臼底进行测量X2滑缘覆盖率(bonyrimpercentage,BRP)35,即顾臼底至髓臼夕M则骨缘的垂直距离占股骨头横径的比例性别差异无统计学意义(55.3%与57.2%,P<0.05),反映股骨头被骨性髓臼顶覆盖的情况，这种评估方法评估髓关节不稳者时以股骨头内侧切线代替般臼底。但因对靓臼自身发育的评价效果不及Graf诊断法，可作为后者的重要补充。(二)儿童DDH的超声智能诊断目前儿童DDH的超声诊断主要由临床医生手动进行评估，具有明显的技术依赖性，普遍存在准确性及可重复性较低等问题36,37,38o已有学者尝试应用人工智能算法辅助临床医生快速准确地完成儿童DDH的超声诊断(表2XQUader等39基于二维髓关节超声图像构建了一种骨边界检测模型，通过局部特征提取等算法分割骨与软骨的边界及关键解剖结构，自动识别标准的骰关节冠状位图像，继而测算评估指标(谁、P角、FHC等X但因过度依赖于训练集标签的准确性及标注者的主观性，实际的分割精度及评估指标的准确性仍有待提高。孙锡玮等40基于Graf超声诊断分析法利用深度学习网络开发了一款儿童DDH智能超声诊断工具,可自动评估二维髓关节超声影像，将婴儿髓关节分为成熟及不成熟蹴关节,并进行详细的Graf诊断分型，实际诊断效果及稳定性优于传统的手动评估方法。但这种方法无法对待检超声图像的标准性进行判定，可能出现误诊漏诊等情况。止匕外，由于儿童嵌关节发育的特殊性，Graf等12,41最初定义时明确指出某特定阶段不成熟嵌关节属于生理性不成熟，无需临床特殊干预、仅动态观察即可。因此，我们更倾向于从临床诊疗的角度将婴儿璇关节的诊断评估划分为稳定髓关节（Graf分型工、II型）和不稳定髓关节（Graf分型D、ID、IV型Hareendranathan等42提出一种基于三维图像搜索的半自动分割算法，经临床医生手动标注种子点后可自动测算能臼面的形态特征，并对其进行诊断分类（正常、边缘型及发育不良型髓关节该方法虽能有效地辅助医生分析髓臼发育情况，但仍受限于操作者手动标注的准确性。Kannan等43基于贝叶斯方法建立了一种三维U-Net神经网络模型充分利用体素的不确定性对三维嵌关节超声图像中璇臼发育评估指标的可靠性进行自动的量化评估，有助于提升人工智能超声诊断模型的预测性能。三、骨盆X线片智能影像诊断系统（一）儿童DDH的骨盆X线片诊断46月龄以上儿童的股骨头次级骨化中心开始出现，致髓骨下缘的超声图像显示不清，超声诊断价值降低44,45;同时由于儿童践关节逐步发育的特殊性，双侧对比分析利于病灶检出及准确诊断46,首选骨盆正位X线片诊断DDH47o骨盆X线片主要用于分析股骨头与骰臼各自的发育情况及两者间的包容关系（即股骨头的髓臼覆盖），主要包括三个参数和一个分级。1.T臼指数（acetabularindex,AI）:指双侧Y型软骨顶点连线（Hilgenreiner线）与其至璇臼外缘连线间的夹角48,表示骨性髓臼顶的倾斜度，具有良好的一致性，是评价髓臼发育的最佳指标49,50,51。2.中心边缘角（center-edgeangle,CEA）:是指经股骨头中心的垂线与其至践臼外侧缘连线间的夹角52,表示夕b三髓臼覆盖情况，可评估髓臼外上方缺损及股骨头脱位程度。3.股骨头次级骨化中心：双侧是否对称、有无延迟出现（如小于健侧或8月龄时仍未出现等）53,54。4.DDH严重程度分级55,56:较常用的有Tonnis分度和国际能关节发育不良学会（theInternationalHipDysplasiaInstitute,IHDI)分级。前者主要依赖于股骨头骨化核的出现，同时需要对骨化核中心进行推断，存在一定局限性；后者以股骨近端干髭端中点为参考标志，不受骨化核未出现、不清晰或偏心位置等因素影响57,适用范围更广且更可靠。既往研究证实因二维投影成像所限，骨盆倾斜或旋转会影响骨盆正位X线片上璇关节参数的测量,导致DDH误诊漏诊等情况发生58,59,60,61,62,63o因此，骨盆正位X线片的标准化判定是确保儿童DDH影像学诊断可靠性的必要前提61Tonnis等64与Ball等65通过定量分析骨盆体位变化对璇关节参数的影响，提出骨盆旋转商(pelvicrotationquotient,PRQX耻骨联合-坐骨角(symphyseal-ischialangle,SIA)及骨盆倾斜指数(pelvictiltindex,PTI)以辅助识别潜在的骨盆位置异常，并对待测图像进行可用性分析。然而标准骨盆正位X线片拍摄体位要求较高66,67,68,临床中我们发现部分受检幼儿因衣裤厚度不一、哭闹、检查者经验不足等常出现不同程度骨盆和(或)股骨位置变化，产生误差，基于经验判断往往很难发现，为后期诊治带来极大困难62,69o因此，儿童DDH影像学诊断前需核验待检图像的标准性。儿童DDH诊断标准:(1)璇臼发育异常，AI指出超过均值2倍标准差，因AI具有明显的种族、年龄、性别及侧别差异国内儿童参考石永言等70的研究结果、国外儿童参考Tonnis等64的研究结果(图1);(2)股骨头骨化中心发育异常；(3)头-臼关系异常，依据CEA值、Tonnis分度及IHDI分级等综合判断。（二）儿童DDH的骨盆X线智能诊断近年来，人工智能在医学领域应用发展迅速，机器学习及图像自动识别算法在骨科领域的应用日趋广泛71,72,73。学者们开始尝试利用人工智能算法辅助诊断儿童DDH（表3）,依据任务类型大致可分为两类。1.无监督学习型：不依赖标注数据集，通过图像识别等算法挖掘数据集内在特征（即分析数据集），提取骨性关键点位置信息、测算璇关节参数，需由终端用户依据参数值完成诊断评估。Al-BaShir等74基于边缘检测、模块匹配及霍夫变换等算法对骨性关键点进行提取，基于关键点的位置信息测量骰关节参数。但受算法所限，其对幼儿选用次级骨化中心计算中心边缘角可能不妥（该点并非实际的股骨头中心，贸然选用该点或与Wiberg最初的中心边缘角定义52相左X2.监督学习型：基于深度神经网络,利用预标注数据集（人工标注）对模型进行有效训练，找到输入数据与输出结果间的特定结构或关系，以便直接输出类人工的诊断评估结果。Liu等75基于卷积神经网络堆栈提出一种新型的金字塔Non-IocalU-Net网络框架，通过同步挖掘局部形态特征及全局结构特征,经有效的测试集验证（2000例）可准确地识别DDH儿童畸形的骨性关键点。但因诊断逻辑不全面，导致最终评估时Tonnis分度的参考线（即SMA线）识别不精确。Zhang等76基于深度学习方法构建了儿童DDH智能诊断系统，经与临床专家诊断结果对比后发现该系统可高效准确地分析骨盆正位X线片。但该系统对Tonnis分度参考线识别并不精确，且受限于数据标签的可靠性。FraiWan等77基于深度迁移学习算法将诊断结果（DDH或正常能关节）作为数据标签连同对应图像一起送入模型，无需对诊断指标进行测量，直接输出诊断结果。但其精确度及特异度略逊于其他诊断模型，有待进一步扩大样本量优化模型诊断性能。Xu等78基于深度学习网络，采用"实例分割算法MaskR-CNN检测局部特征-HRNet提取关键点语义信息-获取影像学指标"三步法对儿童DDH进行诊断评估。与其他研究相比，该模型的诊断结果输出更加全面（包括客观参数、主观评价指标以及IHDLTonnis两种影像学分级方法），但其对于婴幼儿CEA的测量方法存在一定争议。上述研究缺乏儿童DDH的影像学诊断标准及流程，更无法依据患儿信息对参数值进行个体化分析。由于儿童髓关节发育的特殊性，AI等髓关节参数的正常值受种族、年龄、性别及侧别的影响，尤其2岁以下儿童差异显著64,700因此，我们认为未来的儿童DDH智能辅助诊断研究需考虑上述影响因素进行综合诊断。目前的儿童DDH骨盆X线辅助诊断技术均无法对待检图像进行质量控制（即筛查"标准"骨盆正位X线片以避免误诊漏诊等情况）79o因此现阶段而言，该技术尚无法取代临床专家传统评估方法，很难在临床上推广使用。综上所述,X线及超声检查在早期诊治儿童DDH中具有重要价值，应用人工智能算法辅助分析与诊断DDH已是趋势所在。随着研究者认识与算法改进的不断深入，积极探索与解决实际应用中的争议与难点问题，将逐步提升人工智能辅助诊断DDH的准确率及临床应用可行性。参考文献（略）