最新：人工智能辅助诊断儿童DDH的研究进展.docx

《最新：人工智能辅助诊断儿童DDH的研究进展.docx》由会员分享，可在线阅读，更多相关《最新：人工智能辅助诊断儿童DDH的研究进展.docx（12页珍藏版）》请在第一文库网上搜索。

1、最新：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(deve1opmenta1dysp1asiaofthehip,DDH)是导致髓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骸关节超声，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，提升临床诊治效率。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骰关节超声图像、测算DDH指标及辅助诊

2、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、计算骰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。发育性髓关节发育不良(deve1opmenta1dysp1asiaofthehip,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【工1因地域和

3、种族不同，DDH的发病率存在明显差异（0.9%o-76.1%o）2,3川。DDH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”，髀。一旦延误诊治则可能导致早发性髓关节骨关节炎出现髓关节疼痛、跛行乃至下肢残疾乙发生于婴幼儿的早期DDH,尤其是轻度额臼发育不良,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】。骸关节超声及骨盆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骰关节超声检查101超声检查不仅能通过高分辨率、高

4、对比度观察骨骼及周围软组织，还可动态评估懿关节稳定性1111Graf图像分析法是最常用的超声检查方法优,通过二维冠状位标准平面测量涌、P角等指标，结合年龄因素评估儿童髓关节发育状况，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46月龄以上），由于髓臼深部（即骼骨下缘）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线片评估髓臼发育、判断头臼关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111,15,16,17,18。近年来，随着计算机技术的发展，医

5、学影像与人工智能（artificia1inte11igence,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（”发育性骰关节发育不良发育性貌关节脱位“or“DDH”）and（“影像检查“。r“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、

6、中华医学期刊全文数据库进行检索；以（deve1opmenta1dysp1asiaofthehipordeve1opmenta1dis1ocationofthehipor,hipdysp1asiaorhipdis1ocationorDDH,）and（imagingtechniqueorf1uoroscopyorradiographyoruItrasonographyornartificia1inte11igencea1gorithm,ordeep1earningorneura1network）为检索词z分别在PubMed检索平台、Embase数据库、WebofScience数据库、Scopus数

7、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2023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X5）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

8、的股骨头尚未骨化，骸关节（包括髓臼顶及股骨头）以透明软骨为主，具有良好的结构可塑性及声学穿透性，首选能关节超声检查22其中，Graf骰关节超声诊断法12为首选，通过静态评估标准冠状面的髓关节参数，可精准客观地评价额臼发育状况。主要评估指标有两个角度和一个分型（1滑顶角（bonyroofang1e,。角）:骨性骸臼顶的切线（骼骨下缘与骨性髓臼外侧缘的切线）与基线（器骨外缘的延长线）的夹角22,描述骨性能臼顶的倾斜度，是评价髓臼深度的指标23;（2）软骨顶角（carti1ageroofang1e,B角）：软骨性骸臼顶的切线（骨性髓臼外侧缘至与盂唇中央的连线）与基线的夹角22,描述软骨性骸臼顶的倾斜

9、度，是评价靓臼纤维软骨顶覆盖程度的指标23;（3）Graf分型：Graf依据骸臼形态、角、B角及年龄等将婴儿髓关节超声评估结果定性定量描述为ITV型（表1）。1关节超而Graf诊断分St分寸骨性1臼外掾ff1i患儿月龄诊断1UR好校利成角或梢舞X1Rtf60frW55。-成熟俄Ib良好例利或前或椅忡就豌良好5B6O5S-成熟091a精豌脸K1BI!（盖股价头5(AW-3个月正Ir或生取性不熟布豌防KH（潍股价头50-590-1.63个月正Ir或生Jwt不成热Ib布跳防WKIt或股价头5Ot-59o-34个月IcriwfiKHIfii股骨头43,-40-皖界产.*M触照或Ki平无法叁43xM90

10、7-脱位白平向上方移位ar或无法测It-脱位N型向平向F方移位43。或Jt优测-脱位注：IRJM1a定中关.以小P”不Ia定取关节OBeirne等24在骸关节发育不良的国际跨学科专家共识会议（Internationa1Interdiscip1inaryConsensusMeetingontheEva1uationofDeve1opmenta1Dysp1asiaoftheHip）上指出Graf诊断法是最可靠的婴儿骸关节超声检查方法，推荐作为婴儿早期DDH的首选检查。Graf等25,26强调规范化的馥关节超声检查及参数测量有赖于获取标准的额关节冠状切面，应清晰识别”解剖结构八要素+标准切面三要点”

11、，即股骨噩板（骨-软骨交界）、股骨头、滑膜皱裳、关节囊、盂唇、软骨性馥臼顶、骨性髓臼顶及骨缘转折点与骰臼窝内骼骨下缘点（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裳、遗漏软骨性馥臼顶等）27o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骸）婴幼儿（4d6月龄）的骸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假阳性率和假阴性率也随之增加。因静态图像所限,Graf诊断法无法对骸关节稳定性及

12、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30,31,32o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28o此后,Harcke等33、Morin等34和Terjesen等35基于实时超声(rea1-timeu1trasound)提出了相对容易实施的超声诊断方法，可多视角动态评估能关节稳定性。主要评估指标包括：(1)股骨头覆盖(sonographicfemora1headcoveragebyacetabu1um,FHC)33,34,即额臼窝深度(嵌臼底至基线距离)占股骨头横径的比例，可通过多平面动态观

13、察股骨头被骨性髓臼覆盖的程度，出现能关节不稳时以股骨头内侧切线取代髓臼底进行测量；(2)骨缘覆盖率(bonyrimpercentage,BRP)35,即髓臼底至髓臼外侧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%,P0.05)1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髓臼底。但因对额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36,37,38已有学者尝试应用人工智能

14、算法辅助临床医生快速准确地完成儿童DDH的超声诊断(表2)。Quader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，自动识别标准的骸关节冠状位图像，继而测算评估指标（C角、角、FHC等）。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，可自动评估二维能关节超声影像，将婴儿骸关节分为成熟及不成熟髓关节，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

15、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，由于儿童能关节发育的特殊性,Graf等12,41最初定义时明确指出某特定阶段不成熟骰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髓关节的诊断评估划分为稳定髅关节（Graf分型I、型）和不稳定能关节（Graf分型D、m、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骸臼面的形态特征，并对其进行诊断分类（正常、边缘型及发育不良型骸关节）。该方法虽能有效地辅助医生分析骰臼发育情况，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能关节超声图像中髓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。表2儿童DDH超声智髓诒断方法对比作者（发表年份）诊断方法播述代办跳点Qdrr等(2017)采J