楊 豪，李森磊，陳 龍，張逸凌，孫 立

(1.貴州大學(xué)醫(yī)學(xué)院，貴州 貴陽 550025；2.貴州省人民醫(yī)院骨科；3.北京長木谷醫(yī)療科技有限公司)

0 引言

每年有近百萬人行全髖關(guān)節(jié)置換術(shù)（Total hip arthroplasty，THA）（手術(shù)過程如圖1），而手術(shù)成功的關(guān)鍵之一在于假體型號和大小的選擇。伴隨著大數(shù)據(jù)時代的到來，以及計算機技術(shù)、影像學(xué)、醫(yī)學(xué)的高速發(fā)展和交叉融合，給外科醫(yī)師帶來了新的技術(shù)手段。有學(xué)者使用計算機圖形處理軟件，將患者X 光片導(dǎo)入計算機，使用二維數(shù)據(jù)庫模板比對測量從而進行術(shù)前規(guī)劃（如圖2）。也有學(xué)者將CT 數(shù)據(jù)三維重建后進行3D打印，在模型上進行術(shù)前規(guī)劃和模擬。但是前者受X光片放大比例影響，準確率差；后者需要醫(yī)師手動分割，耗時長、難度大。所以我們希望有一種可以自動規(guī)劃患者患側(cè)假體大小和型號的算法模型出現(xiàn)，并且驗證其在臨床中的可行性與有效性。

圖1 全髖關(guān)節(jié)置換術(shù)手術(shù)過程

圖2 數(shù)字模板規(guī)劃過程

1 概述

THA 已經(jīng)是十分成熟有效地治療終末期髖關(guān)節(jié)疾病的手術(shù)方式，它可以有效減輕患者關(guān)節(jié)疼痛，改善髖關(guān)節(jié)功能。但是假體選擇不準確會使得術(shù)后易出現(xiàn)并發(fā)癥，如關(guān)節(jié)不穩(wěn)和假體松動。

目前國內(nèi)外多用數(shù)字模板進行術(shù)前規(guī)劃選擇假體，即在計算機中測量二維X光片放大比例，計算解剖標(biāo)志點之間的距離，然后在提前建立的假體模板庫中根據(jù)醫(yī)師經(jīng)驗進行覆蓋測量。該方法雖然簡單，但是髖關(guān)節(jié)疾病患者多伴有病因多樣化的特點同時受光片放大比例影響，因此規(guī)劃效率低，準確率為40%-80%。為了提高術(shù)前規(guī)劃的準確率，醫(yī)師和工程師發(fā)現(xiàn)深度學(xué)習(xí)和三維重建技術(shù)非常適合數(shù)字骨科學(xué)。深度學(xué)習(xí)技術(shù)是深度模擬人大腦的構(gòu)成，在視覺上突破原有機器學(xué)習(xí)技術(shù)的界限。三維重建是將患者CT信息從二維平片重建為三維模型，醫(yī)師可以在三維視圖下進行術(shù)前規(guī)劃或是模擬操作。國外工程師使用MIMICS（Materialise’s interactive medical image control system）工程模塊進行人為分割和髖關(guān)節(jié)三維重建，然后規(guī)劃選擇假體，準確率可達90%。這兩種術(shù)前規(guī)劃手段仍由醫(yī)師進行手動分割，有操作復(fù)雜、耗時長、費用高昂等弊端，無法大規(guī)模推廣和應(yīng)用。

因此，我們希望有一種算法模型可以精確識別髖關(guān)節(jié)解剖標(biāo)志點，自動重建三維模型，同時智能植入合適型號的假體。

2 目標(biāo)

本次研究旨在探索大樣本下三種常見髖關(guān)節(jié)疾?。ü晒穷i骨折、股骨頭缺血性壞死、發(fā)育性髖關(guān)節(jié)發(fā)育不良（Developmental dysplasia of the hip，DDH)通過基于人工智能算法的術(shù)前規(guī)劃同數(shù)字模板法規(guī)劃后行THA 的準確性（假體規(guī)劃和實際植入的比較）、可靠性（不同種病種規(guī)劃的差異）以及有效性（手術(shù)衡量指標(biāo)）。

3 方法

患者納入標(biāo)準：①所有患者癥狀、體征、影像學(xué)檢查確診，既往均未行患髖部矯形手術(shù)；②髖關(guān)節(jié)疼痛明顯且伴有功能障礙；③經(jīng)過評估能夠耐受手術(shù)。

患者排除標(biāo)準：①患者有影響關(guān)節(jié)活動性的非髖關(guān)節(jié)疾?。虎诨颊唧y部開放性骨折；③不配合隨訪的患者。

研究疾病類型：股骨頸骨折（對照組52例、實驗組53 例）；股骨頭缺血性壞死（對照組59 例、實驗組54例）；DDH（對照組57例、實驗組55例）。

3.1 對照組

使用貴州省人民醫(yī)院骨科自主研發(fā)的數(shù)字模板規(guī)劃軟件（版本1.0），術(shù)前拍攝標(biāo)準盆骨正位片、雙下肢全長片、側(cè)位片等。拍攝時取仰臥位，患者在大腿根部內(nèi)側(cè)粘貼已知直徑為51.90mm 的鋼球作為標(biāo)志物，用以計算光片比例因子（比例因子=鋼球?qū)嶋H測量直徑/X光片上測量所得鋼球直徑）。規(guī)劃時，髖臼模板緊貼髖臼內(nèi)壁，股骨柄假體最大程度覆蓋股骨髓腔，醫(yī)師根據(jù)患者骨質(zhì)情況和經(jīng)驗選擇假體類型。同時醫(yī)師在考慮生物力學(xué)的基礎(chǔ)上使得假體在Lewinneck安全區(qū)內(nèi)，數(shù)字模板規(guī)劃過程（如圖2）。

該方法的缺點：①每次設(shè)備和患者之間的距離會有差異，導(dǎo)致放大比例有誤差；②在拍攝髖關(guān)節(jié)正位片時，理論上患者腳尖內(nèi)旋30°，實際上不同患者內(nèi)旋角度不會是標(biāo)準的角度；③髖關(guān)節(jié)作為復(fù)雜的球窩狀關(guān)節(jié)，假體的空間立體屬性無法在二維X 光片上得到精確體現(xiàn)。

3.2 實驗組

3.2.1 人工智能術(shù)前規(guī)劃方式模型建立（如圖3）

圖3 人工智能算法模型的建立

在MIMICS 的基礎(chǔ)上，熟練醫(yī)師進行手動分割和標(biāo)注（將典型疾病進行分類），把規(guī)劃結(jié)果反復(fù)核驗。然后做深度學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)分割：使用G-net 人工智能神經(jīng)網(wǎng)絡(luò)進行學(xué)習(xí)（主結(jié)構(gòu)：2D dense-unet（在unut模型基礎(chǔ)上引入denseblock結(jié)構(gòu)））（如圖4所示）。建立假體數(shù)據(jù)庫：將常用的不同尺寸以及型號的髖臼杯、股骨柄假體進行掃描重建。在已經(jīng)學(xué)習(xí)好的模型中，可以精確識別并且分割股骨和髖臼位置從而計算不同解剖標(biāo)志點之間的距離差，自動匹配合適假體。最后建立交互式頁面給醫(yī)師進行調(diào)整優(yōu)化選擇。

圖4 G-net人工智能神經(jīng)網(wǎng)絡(luò)

目前國內(nèi)外研究都未驗證相關(guān)模型在大樣本下的有效性、在不同髖關(guān)節(jié)疾病中的可重復(fù)性，以及臨床術(shù)中和術(shù)后療效。

3.2.2 規(guī)劃過程

患者術(shù)前完成層厚為1mmm 的CT 平掃，距離為整個骨盆+股骨小轉(zhuǎn)子下至少15cm。使用已經(jīng)建立的G-NET 神經(jīng)網(wǎng)絡(luò)算法模型對患者重建的股骨區(qū)域進行分割和解剖標(biāo)志點識別，通過區(qū)域增長和圖像增強將股骨和骨盆做分離處理，通過點對點識別算法自動計算解剖標(biāo)志點之間的相對位置（如圖5），再根據(jù)算法模型規(guī)劃出合理型號的髖臼杯、內(nèi)襯、球頭、股骨柄以及放置角度和位置（如圖6）。醫(yī)師可以根據(jù)患者相關(guān)檢測報告，再結(jié)合患者實際情況做出調(diào)整，醫(yī)師也可以觀察到術(shù)前重建和模擬手術(shù)的患者冠狀面、矢狀面、橫切面視圖。

圖5 自動識別標(biāo)志點和重建

圖6 智能植入假體

術(shù)前記錄兩組規(guī)劃方式的假體信息；術(shù)中對照組和實驗組采用同一組手術(shù)醫(yī)師和同一公司假體；記錄手術(shù)時間、患者出血量（出血量計算＝吸引器吸出血液量+帶血紗布重量-紗布初始重量）、實際假體型號；術(shù)后記錄患者住院天數(shù)（住院天數(shù)＝自手術(shù)日起至辦理出院間隔天數(shù)）。

此項研究已經(jīng)經(jīng)過貴州省人民醫(yī)院倫理委員會批準。（倫審（科研2021-70號））

4 統(tǒng)計學(xué)分析和臨床結(jié)果分析

4.1 統(tǒng)計學(xué)分析

根據(jù)表1：對照組規(guī)劃準確率在56.14%-78.84%，實驗組規(guī)劃準確率在85.45%-94.34%。所有髖臼杯、股骨柄假體對照組和實驗組的準確率差異具有統(tǒng)計學(xué)意義（＜0.05）。根據(jù)表2：手術(shù)時間、術(shù)中出血量、住院時間數(shù)據(jù)，實驗組優(yōu)于對照組，差異均有統(tǒng)計學(xué)意義（＜0.05）。

表1 對照組和實驗組規(guī)劃結(jié)果比較

表2 手術(shù)指標(biāo)

4.2 結(jié)果分析

使用人工智能規(guī)劃的實驗組，無論是髖臼杯還是股骨柄規(guī)劃，準確率都顯著高于傳統(tǒng)數(shù)字模板規(guī)劃的對照組，平均準確率為90.46% 遠高于對照組的65.06%。這考慮是因為三種疾病在基于人工智能的術(shù)前規(guī)劃手段下，通過三維重建，能夠清晰地觀察到股骨情況和髖臼解剖標(biāo)志點，有效的避免圖像模糊帶來的影響，同時又由于智能植入假體，避免了不同經(jīng)驗醫(yī)師考量不周帶來的影響。

DDH組對照組和實驗組的準確率差異為29.41%，最為明顯，考慮原因：DDH 患者關(guān)節(jié)畸形多變而且極其復(fù)雜。如果按照傳統(tǒng)數(shù)字模板規(guī)劃，磨挫不夠則無法取得足夠初始穩(wěn)定性；磨挫較深則容易磨穿前后壁。DDH 患者多骨質(zhì)情況差，植入股骨柄過小會造成假體松動，植入假體過大則術(shù)中易撐破髓腔，大幅度增加手術(shù)難度和失敗的可能性。人工智能規(guī)劃算法模型能很好的解決上述問題，醫(yī)師可從不同角度觀察植入假體情況和前后壁厚度，最大程度地降低手術(shù)難度。實驗組股骨柄規(guī)劃準確率普遍較高，考慮原因：三維立體圖像中髓腔清晰呈現(xiàn)并且算法會自動根據(jù)解剖標(biāo)志點計算相對距離，植入精確假體，避免數(shù)字模板放大比例帶來的負面影響。實驗組療效（手術(shù)時間、術(shù)中出血量、住院天數(shù)）優(yōu)于對照組，考慮原因有：精確的術(shù)前規(guī)劃，減少術(shù)中磨挫次數(shù)和假體適配時間，減少了術(shù)中出血量。精確手術(shù)使得患者術(shù)后療效更好，所以相對減少住院時間。

熟練掌握數(shù)字模板規(guī)劃需要15分鐘左右，其需要手動分割、針對復(fù)雜案例無法實現(xiàn)個性化規(guī)劃。而人工智能算法規(guī)劃平均耗時為5 分鐘，這大大提升了規(guī)劃速度。即使是復(fù)雜案例如股骨頭缺血性壞死患者Ⅳ期或DDH 患者，實驗組規(guī)劃準確率也遠高于對照組，這提示我們：基于人工智能的算法模型非常適合復(fù)雜案例的術(shù)前規(guī)劃。

本次研究發(fā)現(xiàn)基于深度學(xué)習(xí)的人工智能髖關(guān)節(jié)算法模型有以下優(yōu)點。①從算法方面具有的優(yōu)越性：基于深度學(xué)習(xí)的人工智能算法對骨骼骨塊能夠?qū)崿F(xiàn)精準分割，本次實驗組驗證了這一點，同時發(fā)現(xiàn)原本CT 信息中無法被人眼識別的信號經(jīng)過人工智能三維重建后能夠得以清晰呈現(xiàn)所以規(guī)劃準確率得到了極大的提升；②基于人工智能算法模型使得髖關(guān)節(jié)的空間立體屬性得到體現(xiàn)，相較于傳統(tǒng)方法其不但能夠展示髖關(guān)節(jié)的前傾角、外展角、髖臼前后壁骨，而且能夠使醫(yī)師從不同考量進行模擬試錯，從而提升手術(shù)療效；③從規(guī)劃速度而言：人工智能術(shù)前規(guī)劃平均耗時僅為5分鐘，速度更快效率更高。

本次實驗證明了人工智能規(guī)劃方式在大樣本下的有效性和其規(guī)劃不同疾病的可靠性，但是研究也有著以下不足：①只探討了三種常見髖關(guān)節(jié)疾病，而強直性脊柱炎、風(fēng)濕性關(guān)節(jié)炎、類風(fēng)濕性關(guān)節(jié)炎等復(fù)雜案例未進行詳細討論和實驗；②由于人工智能術(shù)前規(guī)劃剛應(yīng)用于臨床，患者多年后假體松動率以及假體脫落率等還未研究；③本次實驗的人工智能算法模型研究對象都為初次髖關(guān)節(jié)置換，而髖關(guān)節(jié)翻修術(shù)、髖臼缺損嚴重等未進行研究。

5 結(jié)束語

由于臨床醫(yī)學(xué)中人體和髖關(guān)節(jié)疾病的復(fù)雜性、不可預(yù)測性，所以獲得的數(shù)據(jù)信息以及信號表達、決策等諸多方面都有著極其復(fù)雜的非線性關(guān)系，因此關(guān)節(jié)外科的術(shù)前規(guī)劃非常適合人工智能的應(yīng)用。隨著“人工智能”、“醫(yī)工結(jié)合”、“智慧醫(yī)療”的交叉融合，臨床醫(yī)師越發(fā)感受到數(shù)字化的優(yōu)勢，通過智能化手段可以提高行全髖關(guān)節(jié)置換術(shù)的假體選擇準確率、減少年輕醫(yī)師的學(xué)習(xí)曲線、降低手術(shù)難度、使得手術(shù)更加順利和成功，這也將是未來醫(yī)學(xué)發(fā)展的重要趨勢。