人工智能在髖關節置換應用現狀△

李佳偉，丁良甲，金鳳，李筱賀

（1.內蒙古科技大學包頭醫學院第二附屬醫院，內蒙古包頭 014030；2.內蒙古醫科大學第二附屬醫院，內蒙古呼和浩特 010010；3.內蒙古醫科大學附屬醫院，內蒙古呼和浩特 010010；4.內蒙古醫科大學基礎醫學院，內蒙古呼和浩特 010010）

髖關節置換術（total hip arthroplasty,THA）已得到業界廣泛認可，術前合理規劃、術中解剖重建是手術成功的關鍵，術后定期隨訪是發現并發癥的重要手段［1～3］。THA 正逐步實現精準化，而僅依靠傳統的術前規劃、術中解剖重建及術后隨訪監測已不能滿足要求，需借助科技的力量。隨著人工智能（artificial intelligence,AI）與THA 的結合，為術前精準規劃、術中解剖重建以及術后假體脫位、松動風險的預測提供了一種全新方法。本文就10 年內人工智能在THA 方面的應用進行了綜述，首先簡單概述了人工智能的發展，其次具體闡述了人工智能在THA 中的應用現狀，最后指出了人工智能在該領域存在的不足并預測發展趨勢。

以Artificial Intelligence, Machine Learning, Unsupervised Machine Learning, Supervised Machine Learning, Deep Learning, Neural Networks, Computer, Support Vector Machine, Decision Trees, Random Forest, Arthroplasty,Replacement,Hip 為主題詞在Pubmed 數據庫檢索到139 篇文獻；以人工智能、機器學習、無監督機器學習、監督機器學習、深度學習、神經網絡、支持向量機、決策樹、髖關節置換術為主題詞在CNKI、萬方數據庫檢索到40 篇文獻。檢索時間設置為2013年1 月—2023 年3 月。中英文文獻共檢索到179篇，最終納入64 篇文獻，其中英文55 篇，中文9 篇（圖1）。篩選排除標準：（1）重復文獻；（2）經閱讀后沒有參考價值的文獻；（3）非核心期刊收錄的中文文獻。

圖1.文獻篩選流程圖。Figure 1.Literature screening flow chart.

1 AI 簡介

AI 是使機器像人類一樣進行認識、感知、決策、執行、理解、思考、判斷、規劃、推理的人工程序或系統，由McCarthy 教授于1956 年首次提出，在醫學領域應用廣泛［4］。早期的AI 通過計算機結合數學技術協助醫生診斷，后來發展到了專家系統。1988年深度學習及卷積神經網絡也被應用到了醫學中，通過大量數據的訓練，算法的不斷提高，能夠得到比回歸分析更加復雜的訓練模型，解決更加復雜的問題。

AI 已成功應用于醫學各領域，尤其在骨關節方面，如Zhang 等［5］納入10 219 例發育性髖關節發育不良的兒童患者盆腔X 線片，利用深度學習方法（ResNet）建立了一種診斷發育性髖關節發育不良的篩查模型。von Schacky 等［6］收集了4 368 例患者的髖關節前后位X 線片，利用深度學習的方法（DenseNet-161）建立了一種骨關節炎分級的AI 模型。目前在THA 方面的研究日益增多，而國內目前未見相關的綜述報道。

2 AI 在THA 術前的應用

2.1 AI 在THA 術前規劃、假體選擇方面的應用

術前合理規劃是術中解剖重建及術后假體穩定的基礎，目前術前規劃主要以二維X 線模板及三維CT為主，其中二維模板較為常用，但假體預測準確性較差，三維術前規劃對假體型號的預測準確性顯著提升，但對醫生的要求較高，存在一定的學習曲線，對于年輕醫師利用以上術前規劃方法實現THA 術前的精確規劃仍具有較大的挑戰［7，8］。近幾年，AI 在THA 術前規劃領域取得一定的進展［9，10］，由北京長木谷醫療科技公司開發的AIHIP 是一款AI 術前三維規劃軟件，該軟件利用815 例患者的髖關節CT 數據進行訓練，自主研發了G-NET 神經網絡，可準確提取CT 圖像上的關鍵點，快速識別、分割髖臼及股骨形態，并能夠把髓腔形態與假體庫內假體快速匹配，從而選擇最優假體［11］。吳東等［11］、Huo 等［9］分別分析了AIHIP 軟件及二維模板兩種規劃手段的價值，認為AIHIP 能夠更準確地預測髖臼及股骨柄假體型號，且AIHIP 能夠更可靠地預測下肢肢體長度及偏心距，更好地恢復髖關節旋轉中心。Alastruey-López等［12］將有限元與AI 結合，開發了一種可以在術前預測運動范圍的人工神經網絡模型，該模型能夠輔助醫生選擇合適的假體，預防術后碰撞及假體脫位。Hu等［13］以196 例患者CT 資料為基礎，通過計算機算法建立了股骨近端16 項解剖參數的測量模型，可快速測量股骨近端解剖參數，其中10 個解剖參數的可重復系數為0.88～0.99，具有較高的可靠性，此外該模型還可快速獲取股骨近端髓腔形態，能夠在THA術前更好地進行假體規劃。

2.2 AI 在THA 術前識別、預測各類術后高風險人群方面的應用

術前準確識別各種高風險人群將有助于手術規劃、術后預防。隨著THA 手術量的不斷增多，術后翻修的數量也在增加，術后2 年內翻修的比例高達6%［14］。在初次THA 術前識別術后翻修的高風險人群，有助于術前個體化決策，降低術后翻修率。Klemt 等［15］收集了7 397 例患者信息，包括術前患者一般信息、術中相關信息及置入假體的參數，訓練了6種機器學習模型并比較了這幾種模型在預測術后早期翻修風險的效能，結果表明，這6 種機器學習模型的預測能力均表現突出。THA 術后疼痛控制是臨床面臨的重大挑戰，阿片類藥物通常用于THA 術后疼痛的治療，研究認為THA 術后短期服用阿片類藥物可能導致長期的依賴，因此術前識別相關高風險人群，可輔助醫生術后正確處理患者疼痛［16，17］。 Gabriel等［18］利用AI 算法結合患者術前臨床資料，開發了術前識別高風險人群的模型，高風險人群的早期識別及干預，可能減輕阿片類藥物依賴所導致的長期不良后果。THA 術中由于截骨及其他相關因素，導致手術創面大，術后容易出現貧血現象。研究報道，THA術后常常伴有貧血，早期監測高?；颊哂兄谔崆爸贫藴驶淖o理策略及術后恢復［19，20］。Huang 等［21］建立了7 種術前早期識別術后輸血風險人群的機器學習模型，并比較了這7 種模型的差異，最終認為長短期記憶（long short-term memory,LSTM）人工神經網絡模型及隨機森林（random forest）模型在術前預測術后輸血風險中具有較高的準確性。

3 AI 在THA 術中的應用

THA 術中的關鍵在于正確放置假體，正確的假體位置對于術后患者關節功能的恢復及假體的遠期穩定至關重要，影像學定位法、“Lewinnek 安全區”定位法、解剖結構定位法是目前較為常用的假體定位方法，但仍然存在假體定位不準確的問題。隨著科技的發展，諸多新技術的出現，為更加準確地放置假體提供了全新的解決辦法，如輔助手術設計和手術模擬、虛擬仿真技術、術中計算機輔助導航及骨科機器人手術等，其中手術機器人是研究熱點，能夠提高假體放置的準確性［22］。Mako 手術機器人可將髖關節解剖數據轉換為虛擬特定的三維重建結構，骨科醫生用它來計算最佳的骨切除和置入物的位置，并在機械臂的輔助之下，術中高精度地進行假體定位，完美實現術前計劃，該機器人于2015 年獲得了美國食品藥品監督管理局的批準上市，也是唯一可以用于關節置換手術的智慧手術機器人，在關節置換領域有較好的應用前景［23，24］。

股骨髓腔與假體的緊密接觸是假體獲得即刻穩定性及遠期骨長入的基礎，但同時也增加了股骨骨折的風險，有報道，術中骨折發生率為1.5%～27.8%［25］。有研究確定了假體置入過程中與假體下沉和術中骨折相關的錘擊聲的具體模式，分析假體置入過程中的錘擊音有助于降低THA 術中股骨骨折的發生率，然而THA 術中錘擊音復雜多變，較難分析［26］。Homma等［27］利用AI 技術分辨術中記錄到的錘擊音，通過分析532 個錘擊音，設置了3 個數據集并進行二元分類，開發的AI 模型能夠以相對較高的精度將不同的錘擊音區分開來，有助于預防THA 術中股骨骨折的發生。

4 AI 在THA 術后的應用

4.1 AI 在預測THA 術后脫位及松動方面的應用

雖然THA 術后95%的假體可以在位10 年以上，但仍然存在松動、脫位等并發癥的可能。術后并發癥常規的影像學及臨床評估較為繁瑣，且容易出錯，同時耗費了醫生大量的寶貴時間，早期發現THA 術后并發癥不僅可以降低翻修手術的難度，而且也降低了社會的經濟負擔。假體術后脫位是THA術后主要的并發癥之一，也是翻修手術的重要原因，早期準確預測術后假體脫位意義重大。Rouzrokh等［28］納入了13 970 例THA 患者5 年的隨訪X 線資料，從而建立了一種卷積神經網絡模型（YOLOV3），經驗證該影像學預測模型具有較高的敏感性和陰性預測能力，結合臨床危險因素，能夠快速評估THA 術后脫位的風險。Wei 等［29］以357 例THA 術后X 線片為訓練集，開發了6 種診斷術后假體脫位的卷積神經網絡模型，并驗證對比這6 種模型的診斷效能，結果表明，這些卷積神經網絡模型均能夠應用于術后假體脫位的診斷，在急診醫學中有一定價值。假體松動也是手術失敗的主要原因之一，手術探查是松動診斷的金標準，而非手術方式診斷假體松動是一項具有挑戰性的工作［30］。Shah 等［31］收集了翻修手術前患者的前后位X 線片及臨床資料，通過卷積神經網絡建立了一種檢測假體松動的模型，經驗證，該模型能夠以合理的精度在X 線片上識別松動，為假體松動的檢測提供了一種新思路。

4.2 AI 輔助THA 術后假體位置參數的測量

THA 術后X 線隨訪中涉及到較多評估參數，可以用于篩查假體位置異常，如髖臼假體外展角、前傾角、旋轉中心位置參數等，而測量這些參數費時費力，增加了醫生們的負擔。Tseng 等［32］通過對3 072例THA 術后前后位X 線片進行訓練，開發了一款AI輔助術后X 線片假體位置參數測量模型（BKNet），經驗證，該模型可快速準確地測量假體位置參數，有望減輕臨床醫生的負擔。Rouzrokh 等［33］建立了測量髖臼假體外展角及前傾角的卷積神經網絡模型（UNet），該模型納入了THA 術后前后位及穿桌位X 線片各600 例，經驗證，該模型的測量準確性與醫生無差異，有望在臨床及科學研究中應用。

4.3 AI 在THA 術后護理方面的應用

術后科學護理是緩解術后關節疼痛的有效手段，目前THA 術后護理主要以患者表現及醫生的臨床經驗為基礎進行規劃，缺乏個體化評估，護理效果不達預期［34］。Wang 等［35］以X 線片為基礎，開發了一種AI 術后輔助康復護理系統，該模型能夠用于術后的快速護理，顯著提高護理能力，并與傳統方法進行比較，結果表明，AI 模型針對性更強，術后恢復更快，并發癥發生率更低，大大提高了患者術后的生活質量。

4.4 AI 在髖關節翻修手術中的應用

隨著假體在體內存留時間的延長，翻修的概率也將不斷增加，有研究認為術后5、10 年的翻修比例為6.5%～12.9%［36，37］。準確識別股骨置入假體的制造商及型號是翻修手術的關鍵步驟，由于假體設計信息獲取的不便，導致翻修術前未能識別患者置入物信息，這將導致病情延誤、不必要的轉診、護理成本失控等［38］。為了解決這一問題，2014 年美國食品和藥物管理局要求假體制造商用獨特的設備標識符標記設備，但2014 年之前的假體依然較難識別。Murphy等［39］、Gong 等［40］以前后位X 線片為基礎，開發了不同的機器學習模型，經驗證，這些模型均能很好地識別翻修術前假體設計。由于AI 模型的杰出表現，可能降低翻修手術的難度、圍手術期死亡率及由于不能識別假體設計所導致的資源浪費。

5 AI 在THA 領域的不足及發展趨勢

AI 雖然在THA 術前、術中及術后等領域已經取得了較大進展，但是仍然存在以下問題，值得進一步完善及研究：

（1）AI 模型是以大量臨床數據為基礎建立起來的，因此高質量的臨床數據對提升AI 模型的準確性至關重要。目前THA 領域AI 模型的納入參數主要包括患者一般臨床資料、術中相關資料及影像學資料，其中影像學圖像質量在不同地區、不同醫院間存在較大差異，目前還沒有相關的規范化指南，數據間的誤差可能會降低AI 模型的準確性，并影響臨床應用推廣，因此應該完善AI 領域影像資料，使其規范化，進一步提升AI 模型的效能。

（2）AI 模型涉及大量患者信息，在建立過程中可能存在泄漏的風險，對個人隱私造成影響，目前國內尚未見到相關法律對AI 進行監管，可能會導致一系列的倫理問題，阻礙AI 在THA 的臨床應用。

（3）目前THA 方面的大部分AI 模型在建立過程中所納入的訓練集樣本量較小，僅僅作為一種假設的驗證，而真正能夠應用到臨床中有實際價值的AI 模型較少，還需要不斷擴大樣本量進一步研究。

（4）國外研究人員對THA 領域AI 模型的研究較多，而國內學者較少，大部分的研究主要針對長木谷科技公司開發的AI HIP 術前規劃系統的臨床應用，缺少AI 模型的開發研究。

（5）目前AI 在THA 術前及術后的研究較多，而THA 術中缺少相關研究報道，未來智能機器人需與AI 進一步結合，以促進手術機器人更加精確放置假體，可能是一個發展熱點。

AI 在THA 中應用的文獻正在不斷增多，雖然存在一些不足，但隨著該領域的發展和技術的進步，AI模型未來有望成為一種新型的“高性能醫學”，支持患者的健康和醫生的決策，為臨床醫生及患者提供更多的幫助。