楊 豪，李森磊，陳 龍，張逸凌，孫 立

(1.貴州大學醫(yī)學院，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節(jié)置換術（Total hip arthroplasty，THA）（手術過程如圖1），而手術成功的關鍵之一在于假體型號和大小的選擇。伴隨著大數據時代的到來，以及計算機技術、影像學、醫(yī)學的高速發(fā)展和交叉融合，給外科醫(yī)師帶來了新的技術手段。有學者使用計算機圖形處理軟件，將患者X 光片導入計算機，使用二維數據庫模板比對測量從而進行術前規(guī)劃（如圖2）。也有學者將CT 數據三維重建后進行3D打印，在模型上進行術前規(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)劃患者患側假體大小和型號的算法模型出現，并且驗證其在臨床中的可行性與有效性。

圖1 全髖關節(jié)置換術手術過程

圖2 數字模板規(guī)劃過程

1 概述

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

目前國內外多用數字模板進行術前規(guī)劃選擇假體，即在計算機中測量二維X光片放大比例，計算解剖標志點之間的距離，然后在提前建立的假體模板庫中根據醫(yī)師經驗進行覆蓋測量。該方法雖然簡單，但是髖關節(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%。為了提高術前規(guī)劃的準確率，醫(yī)師和工程師發(fā)現深度學習和三維重建技術非常適合數字骨科學。深度學習技術是深度模擬人大腦的構成，在視覺上突破原有機器學習技術的界限。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%。這兩種術前規(guī)劃手段仍由醫(yī)師進行手動分割，有操作復雜、耗時長、費用高昂等弊端，無法大規(guī)模推廣和應用。

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

2 目標

本次研究旨在探索大樣本下三種常見髖關節(jié)疾?。ü晒穷i骨折、股骨頭缺血性壞死、發(fā)育性髖關節(jié)發(fā)育不良（Developmental dysplasia of the hip，DDH)通過基于人工智能算法的術前規(guī)劃同數字模板法規(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（手術衡量指標）。

3 方法

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

患者排除標準：①患者有影響關節(jié)活動性的非髖關節(jié)疾??；②患者髖部開放性骨折；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)的數字模板規(guī)劃軟件（版本1.0），術前拍攝標準盆骨正位片、雙下肢全長片、側位片等。拍攝時取仰臥位，患者在大腿根部內側粘貼已知直徑為51.90mm 的鋼球作為標志物，用以計算光片比例因子（比例因子=鋼球實際測量直徑/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壁，股骨柄假體最大程度覆蓋股骨髓腔，醫(yī)師根據患者骨質情況和經驗選擇假體類型。同時醫(yī)師在考慮生物力學的基礎上使得假體在Lewinneck安全區(qū)內，數字模板規(guī)劃過程（如圖2）。

該方法的缺點：①每次設備和患者之間的距離會有差異，導致放大比例有誤差；②在拍攝髖關節(jié)正位片時，理論上患者腳尖內旋30°，實際上不同患者內旋角度不會是標準的角度；③髖關節(jié)作為復雜的球窩狀關節(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。

3.2 實驗組

3.2.1 人工智能術前規(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 的基礎上，熟練醫(yī)師進行手動分割和標注（將典型疾病進行分類），把規(guī)劃結果反復核驗。然后做深度學習神經網絡學習分割：使用G-net 人工智能神經網絡進行學習（主結構：2D dense-unet（在unut模型基礎上引入denseblock結構））（如圖4所示）。建立假體數據庫：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。在已經學習好的模型中，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)師進行調整優(yōu)化選擇。

圖4 G-net人工智能神經網絡

目前國內外研究都未驗證相關模型在大樣本下的有效性、在不同髖關節(jié)疾病中的可重復性，以及臨床術中和術后療效。

3.2.2 規(guī)劃過程

患者術前完成層厚為1mmm 的CT 平掃，距離為整個骨盆+股骨小轉子下至少15cm。使用已經建立的G-NET 神經網絡算法模型對患者重建的股骨區(qū)域進行分割和解剖標志點識別，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志點之間的相對位置（如圖5），再根據算法模型規(guī)劃出合理型號的髖臼杯、內襯、球頭、股骨柄以及放置角度和位置（如圖6）。醫(yī)師可以根據患者相關檢測報告，再結合患者實際情況做出調整，醫(yī)師也可以觀察到術前重建和模擬手術的患者冠狀面、矢狀面、橫切面視圖。

圖5 自動識別標志點和重建

圖6 智能植入假體

術前記錄兩組規(guī)劃方式的假體信息；術中對照組和實驗組采用同一組手術醫(yī)師和同一公司假體；記錄手術時間、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；術后記錄患者住院天數（住院天數＝自手術日起至辦理出院間隔天數）。

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

4 統(tǒng)計學分析和臨床結果分析

4.1 統(tǒng)計學分析

根據表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)計學意義（＜0.05）。根據表2：手術時間、術中出血量、住院時間數據，實驗組優(yōu)于對照組，差異均有統(tǒng)計學意義（＜0.05）。

表1 對照組和實驗組規(guī)劃結果比較

表2 手術指標

4.2 結果分析

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 患者關節(jié)畸形多變而且極其復雜。如果按照傳統(tǒng)數字模板規(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，植入假體過大則術中易撐破髓腔，大幅度增加手術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并且算法會自動根據解剖標志點計算相對距離，植入精確假體，避免數字模板放大比例帶來的負面影響。實驗組療效（手術時間、術中出血量、住院天數）優(yōu)于對照組，考慮原因有：精確的術前規(guī)劃，減少術中磨挫次數和假體適配時間，減少了術中出血量。精確手術使得患者術后療效更好，所以相對減少住院時間。

熟練掌握數字模板規(guī)劃需要15分鐘左右，其需要手動分割、針對復雜案例無法實現個性化規(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雜案例的術前規(guī)劃。

本次研究發(fā)現基于深度學習的人工智能髖關節(jié)算法模型有以下優(yōu)點。①從算法方面具有的優(yōu)越性：基于深度學習的人工智能算法對骨骼骨塊能夠實現精準分割，本次實驗組驗證了這一點，同時發(fā)現原本CT 信息中無法被人眼識別的信號經過人工智能三維重建后能夠得以清晰呈現所以規(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節(jié)的空間立體屬性得到體現，相較于傳統(tǒng)方法其不但能夠展示髖關節(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，從而提升手術療效；③從規(guī)劃速度而言：人工智能術前規(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節(jié)疾病，而強直性脊柱炎、風濕性關節(jié)炎、類風濕性關節(jié)炎等復雜案例未進行詳細討論和實驗；②由于人工智能術前規(guī)劃剛應用于臨床，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節(jié)置換，而髖關節(jié)翻修術、髖臼缺損嚴重等未進行研究。

5 結束語

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