林廣，張志強(qiáng)

解放軍東部戰(zhàn)區(qū)總醫(yī)院（南京大學(xué)醫(yī)學(xué)院附屬金陵醫(yī)院）放射診斷科，江蘇 南京 210002；*通信作者 張志強(qiáng)zhangzq2001@126.com

人工智能是一門綜合性的特殊學(xué)科，通過讓計(jì)算機(jī)模擬學(xué)習(xí)人類智能的理論、技術(shù)及相關(guān)應(yīng)用方法[1]，涵蓋了包括計(jì)算機(jī)科學(xué)、數(shù)學(xué)、控制論和信息論等多種學(xué)科[2]。近年在醫(yī)療健康領(lǐng)域，醫(yī)學(xué)影像成為人工智能最主要的應(yīng)用方向之一[3]。具體到骨關(guān)節(jié)系統(tǒng)中，其主要應(yīng)用場景包括以下3個(gè)[4]：①輔助骨關(guān)節(jié)影像數(shù)據(jù)的處理；②對某些疾病進(jìn)行分類篩查；③替代放射科醫(yī)師做出決策，但是目前應(yīng)用有限。由此可見，現(xiàn)階段人工智能更擅長處理一些簡單機(jī)械的記憶和計(jì)算工作，而對于更高層次的邏輯推理能力尚有待提高[5]。

骨關(guān)節(jié)系統(tǒng)疾病影像模態(tài)多樣，如X線對于骨折以及部分成骨性病變的檢查效果較好，MRI掃描顯示某些平片及CT無法準(zhǔn)確觀察的軟組織病變更加清晰[6]，然而大部分影像數(shù)據(jù)結(jié)構(gòu)復(fù)雜，醫(yī)師單獨(dú)閱片診斷要點(diǎn)多且煩瑣，人工智能輔助醫(yī)學(xué)影像技術(shù)可以在不同應(yīng)用場景下幫助醫(yī)師提高工作效率和診斷能力[3]。目前，人工智能醫(yī)學(xué)影像在骨關(guān)節(jié)系統(tǒng)中的應(yīng)用越來越多，本文對其應(yīng)用現(xiàn)狀及前景進(jìn)行綜述。1

人工智能輔助骨關(guān)節(jié)系統(tǒng)影像數(shù)據(jù)處理

目前人工智能輔助骨關(guān)節(jié)系統(tǒng)影像數(shù)據(jù)處理的主要應(yīng)用方向是組織分割[7-9]和病灶識別[10-12]，人工智能可以輔助骨關(guān)節(jié)MRI圖像上各組織（軟骨、骨、半月板、肌肉等）快速全面的分割，并提高分割性能，識別植入物及軟骨、半月板、前交叉韌帶等的損傷；為骨關(guān)節(jié)系統(tǒng)組織結(jié)構(gòu)的精準(zhǔn)分割及損傷檢測提供了有效、準(zhǔn)確的依據(jù)。

Norman等[13]使用一種2D U-Net卷積神經(jīng)網(wǎng)絡(luò)（convolution neural net，CNN）模型對638例膝關(guān)節(jié)半月板及軟骨進(jìn)行自動分割，結(jié)果顯示其Dice系數(shù)為0.753～0.878，模型對半月板及軟骨的分割精度與手動分割無顯著差異，可以用于骨性關(guān)節(jié)炎的監(jiān)測及診斷。Gaj等[14]使用條件生成對抗網(wǎng)絡(luò)改善單獨(dú)使用CNN構(gòu)建的模型（如U-Net）的分割性能，克服了基于像素映射的目標(biāo)函數(shù)帶來的問題，并在網(wǎng)絡(luò)訓(xùn)練過程中總結(jié)軟骨特征；結(jié)果顯示，該模型對軟骨的分割性能十分優(yōu)異，髕骨軟骨的Dice系數(shù)為0.84，脛骨軟骨的Dice系數(shù)為0.91。Karnuta等[11]基于三維DenseNet的體系結(jié)構(gòu)構(gòu)造了一個(gè)分類CNN，并用不同的輸入和另外2個(gè)算法（包括VGG16和ResNet）在163例前交叉韌帶撕裂和245例前交叉韌帶正常的患者M(jìn)RI圖像上測試這種深度學(xué)習(xí)方法；同時(shí)讓放射科住院醫(yī)師及資深醫(yī)師診斷這些圖像；最后通過對比模型、住院醫(yī)師及資深醫(yī)師的診斷結(jié)果，準(zhǔn)確率分別為0.957、0.814和0.899，證明使用基于深度學(xué)習(xí)的自動化檢測系統(tǒng)識別前交叉韌帶損傷可行。

目前基于不同算法的人工智能模型均表現(xiàn)出超過或相當(dāng)于人工分割或識別的結(jié)果，表明人工智能醫(yī)學(xué)影像已經(jīng)能夠從一定程度上減少骨關(guān)節(jié)系統(tǒng)復(fù)雜結(jié)構(gòu)對醫(yī)師診斷工作的負(fù)擔(dān)，并提高診斷準(zhǔn)確率。

2 人工智能輔助骨關(guān)節(jié)系統(tǒng)疾病分類診斷

人工智能醫(yī)學(xué)影像輔助疾病分類包括與骨性關(guān)節(jié)炎相關(guān)的各組織結(jié)構(gòu)損傷的診斷、分期[15-17]以及少量骨腫瘤的診斷[18-19]。應(yīng)用人工智能提取疾病的影像特征，從而提高其檢出率，能在很大程度上減少陰性病例對醫(yī)師工作造成的負(fù)擔(dān)。

Astuto等[16]使用三維CNN基于1 435例膝關(guān)節(jié)MRI數(shù)據(jù)開發(fā)了一種全自動模型，該模型可以自動檢測骨、軟骨、半月板及前交叉韌帶損傷，并進(jìn)行分級，結(jié)果顯示所有類別損傷的敏感度為70%～88%，特異度為85%～89%，ROC曲線下面積為0.83～0.93；并且模型在外部驗(yàn)證集上也取得較好的結(jié)果，提示人工智能在單一或少數(shù)類別的病變檢出中較為敏感。Tiulpin等[17]提出一種基于遷移學(xué)習(xí)和模型集成的深度學(xué)習(xí)方法，可以從膝關(guān)節(jié)X線片中自動學(xué)習(xí)與骨性關(guān)節(jié)炎相關(guān)的骨贅及關(guān)節(jié)間隙變窄等[20]特征，基于Kellgren Lawrence（K-L）分級系統(tǒng)對骨性關(guān)節(jié)炎進(jìn)行評估，在獨(dú)立的驗(yàn)證數(shù)據(jù)集上的預(yù)測結(jié)果優(yōu)于以前同類型模型。

目前人工智能醫(yī)學(xué)影像已經(jīng)能夠輔助醫(yī)師對部分疾病進(jìn)行分類篩查，有效提高診斷靈敏度，并降低假陽性率。然而，這些模型均是在數(shù)據(jù)來源較單一的環(huán)境下開發(fā)的，因此其臨床穩(wěn)定性尚未得到有效的驗(yàn)證[21]。近年，基于多中心及外部驗(yàn)證數(shù)據(jù)結(jié)果的模型[22]已經(jīng)被越來越多地受到重視，進(jìn)一步的研究應(yīng)該將重點(diǎn)放在提高模型在臨床環(huán)境中的穩(wěn)定性上。

3 人工智能輔助放射科醫(yī)師對骨關(guān)節(jié)系統(tǒng)病變做出決策

骨關(guān)節(jié)系統(tǒng)疾病種類繁多且復(fù)雜，其工作量對于放射科醫(yī)師是一項(xiàng)巨大的挑戰(zhàn)，人工智能輔助放射科醫(yī)師決策可以有效地減少工作量，提高工作效率。目前，其主要應(yīng)用包括骨齡測定[23-24]、髖關(guān)節(jié)置換[25-26]和骨性關(guān)節(jié)炎進(jìn)展及預(yù)測預(yù)后[27-28]等。

一項(xiàng)研究使用深度學(xué)習(xí)中的CNN在12 611幅影像圖像上構(gòu)建一個(gè)評估兒童手部X線骨齡的模型[29]，并在2個(gè)不同的數(shù)據(jù)集上分別測試模型的精度。第1個(gè)測試集有200幅兒童手部X線圖像，4名放射科醫(yī)師獨(dú)立評估后，對比模型與放射科醫(yī)師評估的差異；第2個(gè)測試集選擇913幅來自公共數(shù)據(jù)集的圖像，并用現(xiàn)有的自動化模型進(jìn)行評估。結(jié)果顯示，該模型的結(jié)果與放射科醫(yī)師評估結(jié)果平均差異為0歲，均方根及平均絕對差分別為0.63歲和0.50歲；其與公共數(shù)據(jù)集圖像的評估結(jié)果均方根為0.73歲，與現(xiàn)有模型結(jié)果的均方根為0.61歲。通過深度學(xué)習(xí)中的CNN構(gòu)建的模型能夠較準(zhǔn)確地檢測骨齡，并與放射科醫(yī)師及現(xiàn)有的自動化模型結(jié)果基本一致。2013年，一款名為BoneXpert的商業(yè)系統(tǒng)已經(jīng)獲準(zhǔn)在歐洲臨床使用[30]，其主要功能是對骨齡進(jìn)行全自動評估，該模型和人工評估之間的差異的平均標(biāo)準(zhǔn)差為0.55～0.76年，可以輔助放射科醫(yī)師評估骨齡，具有很高的實(shí)用價(jià)值。對于骨性關(guān)節(jié)炎，盡管暫時(shí)尚無可推廣應(yīng)用的商業(yè)軟件，但已經(jīng)有大量學(xué)者提出基于人工智能的多種預(yù)測模型；Leung等[31]通過728例接受全膝關(guān)節(jié)置換術(shù)和324例未接受全膝關(guān)節(jié)置換術(shù)的匹配對照組患者的膝關(guān)節(jié)X線片，建立骨關(guān)節(jié)炎進(jìn)展風(fēng)險(xiǎn)的深度學(xué)習(xí)預(yù)測模型，與使用標(biāo)準(zhǔn)分級系統(tǒng)的二元結(jié)果模型相比，所提出的深度學(xué)習(xí)模型更好地預(yù)測了骨關(guān)節(jié)炎患者的全膝關(guān)節(jié)置換術(shù)風(fēng)險(xiǎn)，避免不必要的手術(shù)。由此可見，與骨性關(guān)節(jié)炎進(jìn)展及預(yù)后相關(guān)的預(yù)測模型具有極大的臨床應(yīng)用價(jià)值。

4 問題與展望

盡管近年骨關(guān)節(jié)系統(tǒng)在人工智能醫(yī)學(xué)影像上已經(jīng)取得了部分進(jìn)展，但是與神經(jīng)系統(tǒng)等熱門領(lǐng)域相比仍然存在很多不足：①輔助數(shù)據(jù)處理尚需完善，對于圖像分割的研究最多的是軟骨、前交叉韌帶及半月板等組織的分割[14-15,32]，而對肌肉、肌腱等關(guān)節(jié)周圍組織的研究較少[8]。關(guān)節(jié)作為人體重要的運(yùn)動及承重系統(tǒng)，解剖關(guān)系復(fù)雜精細(xì)，各組織結(jié)構(gòu)間聯(lián)系緊密，勢必需要作為一個(gè)整體進(jìn)行研究和探索。②模型穩(wěn)定性有待提高，目前人工智能醫(yī)學(xué)影像骨關(guān)節(jié)系統(tǒng)模型的數(shù)據(jù)來源仍然相對單一，大部分模型仍處于實(shí)驗(yàn)階段，很少有研究提供這些模型在復(fù)雜的臨床環(huán)境中評估患者癥狀的穩(wěn)健性、通用性及安全性的外部驗(yàn)證，表明模型的穩(wěn)定性較差[21-22]。在今后的開發(fā)過程中，需重點(diǎn)關(guān)注模型在多中心數(shù)據(jù)上的穩(wěn)定性和泛化性，為模型在復(fù)雜的臨床環(huán)境中發(fā)揮作用提供更堅(jiān)實(shí)的理論依據(jù)。③目前實(shí)驗(yàn)大多是基于已有數(shù)據(jù)的回顧性研究，很少有前瞻性研究為骨關(guān)節(jié)系統(tǒng)疾病的診斷和預(yù)后提供更有價(jià)值的參考。④模型的開發(fā)應(yīng)在影像資料的基礎(chǔ)上，結(jié)合患者病史及實(shí)驗(yàn)室檢查等綜合信息提高模型的準(zhǔn)確性[33]，更好地服務(wù)于臨床和患者。

隨著近年人工智能深度學(xué)習(xí)方法的普及，人工智能已經(jīng)逐漸融入醫(yī)學(xué)影像各系統(tǒng)的臨床與科研工作中。盡管目前與之相關(guān)的疾病研究尚處于初級階段，疾病的種類及模型的準(zhǔn)確性尚有待增加，但是隨著影像大數(shù)據(jù)時(shí)代的到來和人工智能技術(shù)的不斷發(fā)展，人工智能醫(yī)學(xué)影像技術(shù)必然能夠不斷地發(fā)展與突破，克服現(xiàn)有的問題，在影像診療方面為醫(yī)師提供更多、更有效的幫助，促使智能醫(yī)療影像進(jìn)入新的階段。