骨關(guān)節(jié)醫(yī)學(xué)影像在人工智能中的研究與應(yīng)用

王 肖 ，李 晶 ，李天然（通訊作者）

（1.佳木斯大學(xué) 臨床醫(yī)學(xué)院，黑龍江 154007；2.解放軍總醫(yī)院第四醫(yī)學(xué)中心，北京 100048）

在上世紀五十年代首次提出了人工智能（Artificial Intelligence，AI）的概念，其主要包括機器學(xué)習(xí)、高級算法、模式識別和挖掘數(shù)據(jù)等［1］。隨著現(xiàn)代科技的進步，AI通過利用計算機來模仿人類活動的過程，而形成一個完整的體系，來幫助人類解決更多的工作負擔(dān)，進一步解放人力資源。目前，AI和醫(yī)療領(lǐng)域的融合主要是采用大數(shù)據(jù)分析和機器學(xué)習(xí)（Machine Learning，ML）算法，這降低了醫(yī)療服務(wù)成本，提升了服務(wù)效率，也推動了醫(yī)療領(lǐng)域發(fā)展的進程?，F(xiàn)階段具體應(yīng)用在骨關(guān)節(jié)系統(tǒng)主要包括以下3個方面：①骨關(guān)節(jié)的影像數(shù)據(jù)的處理；②對部分疾病分類篩查；③代替影像科醫(yī)師做出簡單決策。鑒于此，當(dāng)前AI更擅長進行一些簡單計算工作和機械記憶，而對更高層次的邏輯推理有待提高。

骨關(guān)節(jié)系統(tǒng)疾病圖像模態(tài)呈多樣化，X線對部分骨性病變及骨折的檢查效果較佳，而MRI掃描可觀察平片及CT無法清晰顯示的軟組織病變，但多數(shù)影像數(shù)據(jù)結(jié)構(gòu)復(fù)雜，醫(yī)師獨自閱片診斷任務(wù)量大且煩瑣，AI輔助醫(yī)學(xué)影像可應(yīng)用在多個場景下幫助醫(yī)師提高診斷能力和工作效率。目前，AI在骨關(guān)節(jié)應(yīng)用方面表現(xiàn)出巨大的潛力，本文對其應(yīng)用現(xiàn)狀及發(fā)展進行綜述。

1 骨的應(yīng)用

1.1 骨齡檢測

在醫(yī)學(xué)影像學(xué)中骨齡（Bone Age，BA）檢測能查看骨骼的成熟度，這對兒童的遺傳、生長和內(nèi)分泌等均具有重要意義［4］。通常，BA使用Greulich-Pyle（GP）或 Tanner-Whitehouse（TW）方法對 X 射線圖像手動篩選評估。GP使用標(biāo)準(zhǔn)手部圖譜作為預(yù)測患兒骨齡的參考，而TW使用評分機制對多個感興趣區(qū)域的信息評估BA。但是檢測骨齡用此種方法十分耗時耗力，且不同影像科醫(yī)生之間會因經(jīng)驗、主觀差異等影響評估準(zhǔn)確性。當(dāng)前關(guān)于實現(xiàn)骨齡自動化檢測，已有學(xué)者提出基于AI的計算機輔助診斷（Computer Aided Diagnosis，CAD）方法［5］。 因其過度依賴編碼的算法特性，所以傳統(tǒng)機器學(xué)習(xí)的CAD工具存在一些缺點。因此迫切需要合適的工具自動化檢測BA，來減少主觀差異、提升檢測效能。

Koitk 等（2020）［6］基于 DL 算法開發(fā)了一種模型，通過檢測各個骨化區(qū)域?qū)A評估，其模擬了TW程序的工作流程，且平均誤差為4.56個月。Bui等（2019）［7］基于 TW方法及深度卷積神經(jīng)網(wǎng)絡(luò)（Deep Convolutional Neural Network，DCNN）提取的感興趣區(qū)域?qū)純哼M行檢測和分類，結(jié)果表明影像科專家與所提出模型方法之間的平均絕對誤差約為0.59年。同年，有學(xué)者使用了北美放射學(xué)會兒科骨齡提供的公共匿名數(shù)據(jù)集，該數(shù)據(jù)集包含12 611張用于訓(xùn)練和200張用于測試的手部X線照片［8］，證實了卷積神經(jīng)網(wǎng)絡(luò)（Convolutional Neural Network，CNN）模型可比影像科醫(yī)生更準(zhǔn)確地評估骨齡。Booz（2020）［9］等在 2020年開發(fā)了一種新型自動 BA 評估的模型，由3位不知情的影像科醫(yī)生使用GP方法和AI軟件評估進行比較，證明使用AI軟件不影響評估準(zhǔn)確性，且平均閱讀時間減少了87%。

因此，這些研究證實AI在實際臨床應(yīng)用中的潛力，能幫助專家或影像科醫(yī)師客觀地評估BA。近年來，國內(nèi)外已有研發(fā)AI的骨齡評估系統(tǒng)，其時效快、準(zhǔn)確率高，讀片及“診斷”可數(shù)秒完成，且各模型評估骨齡的準(zhǔn)確率與影像科醫(yī)師水平相當(dāng)。

1.2 骨折檢測

骨折的識別及分類對手術(shù)治療選擇相當(dāng)重要，目前諸多復(fù)雜骨結(jié)構(gòu)的骨折，在快速識別分類上仍存在一定困難。因此，使用AI對骨折準(zhǔn)確識別并分類具有重要的臨床現(xiàn)實意義。 Aghnia 等（2021）［10］提出的DCNN模型，可將CT跟骨骨折圖像分為四個Sanders類別，準(zhǔn)確率能達到72%，與使用原始非增強數(shù)據(jù)訓(xùn)練的基線模型相比，準(zhǔn)確性幾乎提高兩倍，證實了在DCNN算法幫助下的CAD系統(tǒng)能夠提供一種可行、有效的方法，協(xié)助醫(yī)生對跟骨骨折類型進行評估。同年，Murata 等（2020）［11］基于 DCNN開發(fā)了一種模型對椎體骨折的圖像進行識別，其模型的準(zhǔn)確度、敏感性和特異性分別為86.0%、84.7%和87.3%，且與骨科醫(yī)師的準(zhǔn)確性和敏感性相當(dāng)。Sato等（2021）［12］研究開發(fā)了一個關(guān)于髖部骨折的新CAD系統(tǒng)，其使用了來自多中心的10 484張正位骨盆X光片，準(zhǔn)確度高達96.1%，曲線下面積（Area Under Curve，AUC）為0.99，系統(tǒng)實現(xiàn)了對髖部骨折患者高效的診斷性能。在另一項研究中［13］，DNN模型對X線照片中的骨折進行檢測和定位，發(fā)現(xiàn)臨床醫(yī)生的診斷敏感性為80.8%，特異性為87.5%，而在深度學(xué)習(xí)（Deep Learning，DL）算法幫助下臨床醫(yī)生的診斷敏感性為91.5%，特異性為93.0%，同時臨床醫(yī)生平均的誤診率相對降低了47.0%，這證實了DL算法協(xié)助診斷可為臨床提供可靠依據(jù)。

當(dāng)前，多研究表明AI診斷骨折的準(zhǔn)確率類似或高于影像科醫(yī)生，AI通過對骨折的識別、定位及身體側(cè)別的判讀來進行骨折研究，以減少誤診漏診率，從而為患者護理提供實質(zhì)性的改善，同時減少臨床醫(yī)生的工作負擔(dān)。

2 骨性疾病檢測

2.1 骨質(zhì)疏松

骨代謝疾病異常表現(xiàn)為骨密度 （Bone Mineral Density，BMD）改變及骨組織異常退化，在骨質(zhì)疏松癥中表現(xiàn)為BMD減低、骨骼脆性大、易骨折。目前AI主要針對于BMD的定量及定性檢測進行研究。Tang 等（2021）［14］對 150 名患者的腰椎 CT 切片進行了骨密度CNN模型訓(xùn)練，發(fā)現(xiàn)模型在篩查BMD改變的準(zhǔn)確率為76.65%，AUC為0.9167，可作為BMD定量檢測新方法 Meng 等（2019）［15］發(fā)現(xiàn)，人工神經(jīng)網(wǎng)絡(luò)（Artificial Neural Networks，ANN）和骨質(zhì)疏松癥評估工具的聯(lián)合應(yīng)用可改善中國老年女性骨質(zhì)疏松癥風(fēng)險篩查。另一項研究［16］開發(fā)了一種基于DCNN的全自動CT圖像椎體分割和BMD計算方法，DL可以對CT圖像中的腰椎體進行準(zhǔn)確地全自動分割。通過自動回歸計算的平均BMD可顯示出高相關(guān)性（r>0.98），這將實現(xiàn)CT圖像中骨質(zhì)疏松、骨質(zhì)減少和正常骨密度的全自動識別。Lim等（2021）［17］通過使用具有影像組學(xué)特征和腹盆腔CT的ML模型對股骨骨質(zhì)疏松癥預(yù)測，其準(zhǔn)確度、特異性和陰性預(yù)測值均超過93%。

2.2 骨腫瘤

骨腫瘤種類繁多且發(fā)病率低，是臨床影像診斷的一大難點，現(xiàn)有多項研究希望通過AI進一步獲取更多準(zhǔn)確的診斷信息。Zhang 等（2018）［18］開發(fā)并驗證了一種專門用于骨肉瘤圖像分割的多重監(jiān)督殘差網(wǎng)絡(luò)模型，可在CT圖像中骨肉瘤區(qū)域精準(zhǔn)化自動分割，來幫助醫(yī)生合理制定治療方案，從而提高治愈率。接下來有學(xué)者開發(fā)并評估了一種DL模型［19］，證實DL算法可以對多機構(gòu)數(shù)據(jù)集中的X線原發(fā)性骨腫瘤影像進行分類，它與專科醫(yī)生具有相似的準(zhǔn)確度，并且比初級放射科醫(yī)生表現(xiàn)得更好。在另一項研究中，有學(xué)者［20］利用AI與CT和MRI圖像融合技術(shù)，構(gòu)建了個性化3D模型對骨盆骨肉瘤女性患者進行了術(shù)前腫瘤邊緣評估。模型發(fā)現(xiàn)靜脈內(nèi)以前被忽視的多個栓子，栓子的發(fā)現(xiàn)，意味著預(yù)后極差，因此，圖像融合模型可為骨腫瘤提供更豐富的信息。 Aoki等（2020）［21］應(yīng)用 DL 算法在骨閃爍掃描前列腺癌患者的骨轉(zhuǎn)移方面進行診斷，發(fā)現(xiàn)其結(jié)果與核醫(yī)學(xué)專家相似，可作為治療和預(yù)后客觀依據(jù)。2021年有學(xué)者［22］使用DL對膝骨腫瘤進行分類研究，根據(jù)它們是正常、良性腫瘤還是惡性腫瘤區(qū)域來檢測和分類膝骨區(qū)域。發(fā)現(xiàn)其分類準(zhǔn)確率為99.05%，表明DL模型可幫助醫(yī)生進行膝骨腫瘤檢測分類。

AI對骨腫瘤圖像處理具有優(yōu)勢，但對骨腫瘤圖像判讀的準(zhǔn)確性仍有進步的空間。特別對較小的骨腫瘤病灶還有一定的局限。因此，仍需要大量數(shù)據(jù)對模型進行優(yōu)化。

3 骨關(guān)節(jié)及其他軟組織病變檢測

3.1 軟骨及關(guān)節(jié)病變

當(dāng)軟骨出現(xiàn)退行性改變和磨損消失等情況，表明其存在不同程度的骨關(guān)節(jié)炎，盡早發(fā)現(xiàn)軟骨變化，對于診斷慢性骨關(guān)節(jié)炎具有極高的價值?，F(xiàn)如今AI在關(guān)節(jié)軟骨診斷中的應(yīng)用有定性檢測、軟骨識別等。2018年有學(xué)者［23］應(yīng)用DL算法對MRI中膝關(guān)節(jié)軟骨病變進行檢測，其中包含局部缺損、纖維化、軟骨軟化、軟骨退變和軟骨損傷等，證明ML在骨關(guān)節(jié)炎分類研究方面具有一定前景。Park等（2021）［24］提出的ML算法對髖關(guān)節(jié)發(fā)育不良的診斷具有較高的準(zhǔn)確性，其診斷能力與有經(jīng)驗的影像科醫(yī)生相似。2021年有研究者［25］進一步開發(fā)了一種基于DL的自動化算法聯(lián)合使用膝關(guān)節(jié)X光片的后-前和側(cè)位圖，根據(jù)Kellgren-Lawrence分級系統(tǒng)評估膝關(guān)節(jié)骨關(guān)節(jié)炎的嚴重程度，模型測試集獲得了71.90%的準(zhǔn)確率，證明了DL算法對膝關(guān)節(jié)骨關(guān)節(jié)炎嚴重程度的評估有一定的應(yīng)用價值。在另一項研究中［26］，回顧性收集了11 353張膝關(guān)節(jié)MRI檢查的冠狀和矢狀位質(zhì)子密度加權(quán)脂肪抑制圖像。研究發(fā)現(xiàn)，3DCNN模型的內(nèi)側(cè)半月板撕裂檢測的AUC值為0.93和0.95，外側(cè)半月板撕裂檢測的AUC值為0.84和0.91。這表明ML算法在膝關(guān)節(jié)半月板病變檢測方面具有較高準(zhǔn)確性。

3.2 其他軟組織應(yīng)用

目前，AI在骨關(guān)節(jié)軟組織方面也有所涉及，如關(guān)節(jié)韌帶損傷、肌間脂肪定量分析、肌腱撕裂識別等。關(guān)節(jié)韌帶的狀態(tài)與膝關(guān)節(jié)各類疾病的診斷有關(guān)。 Namiri等（2020）［27］開發(fā)使用 3DCNN 和 2DCNN模型，其對前交叉韌帶損傷（Anterior Cruciate Ligament，ACL）分類的總體準(zhǔn)確率分別為89%和92%，表明CNN可對ACL損傷進行檢測并分級。目前，大腿肌肉和脂肪組織的分割對于了解骨關(guān)節(jié)炎等肌肉骨骼疾病相當(dāng)重要，Ding 等（2020）［28］在 MRI圖像上基于DL開發(fā)并評估了一種自動化全大腿肌肉分割方法，發(fā)現(xiàn)自動分割產(chǎn)生的ICC總體上高于手動分割（0.921 vs 0.902），且在脂肪定量估計中有更高的準(zhǔn)確性，同時節(jié)約了分割時間。Kang 等（2021）［29］開發(fā)了一種基于腋外側(cè)肩部X光片DL算法，可根據(jù)腋側(cè)位片上小結(jié)節(jié)的變化及臨床數(shù)據(jù)評估肌腱撕裂。這進一步證實了DL算法可作為初步評估肌腱完整性的客觀依據(jù)。目前，在骨關(guān)節(jié)系統(tǒng)應(yīng)用領(lǐng)域內(nèi)，以DL為代表的AI技術(shù)仍在不斷拓展。

4 問題與展望

近年來，盡管人工智能在骨關(guān)節(jié)系統(tǒng)醫(yī)學(xué)影像上已經(jīng)取得了一定進展，但與其他熱門領(lǐng)域如神經(jīng)系統(tǒng)、呼吸系統(tǒng)等相比仍然存在不足：①數(shù)據(jù)處理系統(tǒng)仍需完善，對于研究最多的是前交叉、半月板、韌帶及軟骨，而對肌腱、肌肉等關(guān)節(jié)周圍組織的研究相對較少［30］。關(guān)節(jié)是人體重要的承重及運動系統(tǒng)，解剖關(guān)系精細復(fù)雜，各結(jié)構(gòu)組織間緊密聯(lián)系，需要看作一個整體進行探索研究；②當(dāng)前實驗大多是對已有數(shù)據(jù)進行回顧性研究，缺乏骨關(guān)節(jié)系統(tǒng)疾病的前瞻性研究，以提供更有價值的診療及預(yù)后參考；③模型效能有待提高，目前AI骨關(guān)節(jié)系統(tǒng)醫(yī)學(xué)影像模型數(shù)據(jù)來源相對單一，多數(shù)模型仍處于開發(fā)驗證階段，極少數(shù)研究模型可在復(fù)雜的臨床環(huán)境里對患者癥狀的安全性及通用性進行評估，表明模型具有不穩(wěn)定性。在未來，需著重提升模型在多中心數(shù)據(jù)上的泛化性和穩(wěn)定性，為復(fù)雜的臨床環(huán)境提供更堅實的理論依據(jù)；④模型應(yīng)在影像資料開發(fā)的基礎(chǔ)之上，結(jié)合患者實驗室檢查及病史等綜合信息，提高模型的準(zhǔn)確性，更好地服務(wù)于患者和臨床。

隨著AI技術(shù)與醫(yī)學(xué)影像的深度融合，AI在影像中的應(yīng)用和研究將進一步拓展和深化。同時，隨著影像圖像數(shù)據(jù)集的增多及診斷參考標(biāo)準(zhǔn)的收集，未來將開發(fā)更精確、更先進的AI模型，也將收集更多的前瞻性數(shù)據(jù)，構(gòu)建更具有代表性的骨關(guān)節(jié)系統(tǒng)疾病的預(yù)測模型。堅信在未來不斷的嘗試與突破后，AI能克服當(dāng)前的不足，為影像科提供更高效的幫助，從而降低醫(yī)療成本，優(yōu)化服務(wù)模式，踏入智能醫(yī)療影像的新征程。