方凱彬，林曉聰，戴章生 (福建醫(yī)科大學(xué)附屬第二醫(yī)院，福建 泉州 362000)

假體松動是導(dǎo)致髖關(guān)節(jié)置換術(shù)后假體失效的主要原因[1]，部分患者因此需要接受翻修手術(shù)。在早期對假體松動往往比較困難，許多松動需要到術(shù)中才能被診斷出來[2]。已經(jīng)有一些無創(chuàng)性的方法被用于假體松動的診斷，如MRI、PET、X線等，但是這些方法準確性和敏感性都無法讓人滿意[3]。隨著數(shù)字化醫(yī)學(xué)的不斷進展，人工智能已經(jīng)被用于許多骨科方面的輔助診斷和輔助治療，如膝關(guān)節(jié)炎的影像學(xué)診斷、骨折的輔助診斷等[4-5]?；谌斯ぶ悄茌o助下對假體松動進行診斷可能是一個新的方向。筆者擬建立一個卷織神經(jīng)網(wǎng)絡(luò)(convolutional neural network，CNN)模型對假體松動進行評估，并且評價這一模型的準確性?，F(xiàn)報告如下。

1 資料與方法

1.1一般資料：回顧性分析53例于2014年1月～2019年12月就診我院進行髖關(guān)節(jié)置換術(shù)后翻修手術(shù)的患者。入組患者在術(shù)前均拍攝X線。納入標準 ：①初次翻修手術(shù)；②一般情況良好；③患者對治療方案知情同意。排除標準 ：①合并嚴重臟器疾病或合并神經(jīng)損傷；②假體周圍骨折的患者；③既往有骨盆、髖臼骨折手術(shù)史。所有患者在收住入院后均完善骨盆正位片、在入院5 d內(nèi)進行手術(shù)治療。在翻修術(shù)中對假體穩(wěn)定性進行評估是診斷假體松動的金標準[6]。所有患者在進行翻修手術(shù)的時候都由手術(shù)者對假體穩(wěn)定性進行評價，假體無法被徒手拔出且無松動的患者被納入假體穩(wěn)定組，假體可以被徒手拔出或者出現(xiàn)松動的患者被納入假體松動組。最后納入假體松動組21例，假體穩(wěn)定組32例。本次研究經(jīng)過本院醫(yī)學(xué)倫理委員會同意。

1.2研究方法：為了尋找最佳的模型，筆者首先把患者隨機分配為兩組，一組為訓(xùn)練組，包含17例松動患者和25例假體穩(wěn)定患者；另一組為驗證組，包含4例松動患者和7例假體穩(wěn)定的患者。筆者使用的卷織神經(jīng)網(wǎng)絡(luò)模型是通過現(xiàn)有的開源的ResNet、AlexNet這兩個經(jīng)典模型衍生出來的。這兩個模型已經(jīng)在公開的數(shù)據(jù)庫中(數(shù)據(jù)庫網(wǎng)址：http://www.image-net.org/)對100多萬個彩色圖像進行了預(yù)訓(xùn)練。這些患者在進行翻修術(shù)前都接受了骨盆正位片檢查，這些X線的影像資料首先需要在MATLAB軟件上進行初步處理。以使圖片轉(zhuǎn)化為256×256像素的矩陣圖，并且圖像需要集中在假體和骨面之間以避免過多的數(shù)據(jù)識別量導(dǎo)致的識別誤差(見圖1)。我們輸入的圖片雖然是二維的，但是實際上模型學(xué)習(xí)的是三維的信息。這是由于圖像的每一個像素都是有不同數(shù)值的紅、黃、藍三個基色構(gòu)成的。每一個像素點都有3個數(shù)字作為像素值被模型讀取為三維的信息。

在經(jīng)過圖像訓(xùn)練后筆者輸入驗證組圖像對模型驗證假體松動的準確率進行評估(見圖2)[6]。

圖1 將圖片轉(zhuǎn)化為模型可識別的矩陣圖

圖2 神經(jīng)網(wǎng)絡(luò)識別路線圖

2 結(jié)果

驗證組中共計6例患者被模型判斷為假體松動，其中包括4例松動組的患者和2例穩(wěn)定組的患者。模型判斷假體松動的敏感性為100%，特異性為66%。

3 討論

如何診斷髖關(guān)節(jié)置換術(shù)后假體松動是目前臨床工作的一個難點。在筆者的研究中，我們創(chuàng)建并測試了一個卷織神經(jīng)網(wǎng)絡(luò)的模型來對假體的松動與否進行診斷，通過人工智能的幫助，取得了初步進展。研究中，這一模型診斷假體松動具有100%的敏感性。

但這一模型診斷假體松動的特異性只有66%。這可能與數(shù)據(jù)庫不夠大有關(guān)。卷織神經(jīng)網(wǎng)絡(luò)需要對大量的圖像進行分析后才能得到這些圖像的特點，從而做出準確的判斷。這一技術(shù)目前在醫(yī)學(xué)上應(yīng)用廣泛，特別是在肺結(jié)節(jié)良惡性、甲狀腺及乳腺腫物的診斷和分類方面得到了廣泛應(yīng)用[7-8]。筆者創(chuàng)造性地將這一方法用于骨科圖像的輔助識別中，這可能為以后的研究提供了思路。在筆者的研究中，首先要把圖像轉(zhuǎn)化為256×256的矩陣圖，這一圖像的信息可以通過像素的數(shù)值表現(xiàn)出來，從而被卷織神經(jīng)網(wǎng)絡(luò)模型識別并記憶。

有很多學(xué)者提出了診斷髖關(guān)節(jié)置換術(shù)后松動的X線標準，其中髖臼假體根據(jù)Hodgkinson[9]等的方法分為：影像學(xué)松動：臼杯位置移動(髖臼假體以外展角改變>5°或水平、垂直距離改變>2 mm;有時骨水泥及臼杯可向上方或內(nèi)側(cè)突入骨盆，伴有髖臼內(nèi)側(cè)骨皮質(zhì)的骨折);或臼杯周圍3個區(qū)域內(nèi)出現(xiàn)>2 mm的連續(xù)透亮線;或髖臼杯及骨水泥斷裂。這些X線的表現(xiàn)都可以通過局部圖像的密度改變被區(qū)分，從而被模型識別筆者的研究存在一定的局限性，首先是病例數(shù)太少。這是由于松動本身發(fā)生率相對較低，進行翻修手術(shù)的患者較少，大部分患者主要是因為感染、假體周圍骨折、脫位等原因進行了翻修手術(shù)。筆者未來計劃繼續(xù)深入研究，并且引入側(cè)位片的識別以增加特異性。通過目前的研究，筆者使用了人工智能輔助下對髖關(guān)節(jié)置換術(shù)后是否發(fā)生假體松動進行了評價，取得了初步效果。