最好的白癜风医院电话 http://m.39.net/pf/a_4419219.html文章导读：随着科学技术的发展，人工智能在骨科领域的应用与开发越来越受到重视。本文介绍了人工智能深度学习在预测股骨颈骨折术后发生骨坏死趋势的研究，具有较高的临床指导意义，值得我们共同学习。
摘要
股骨颈骨折(FNFs)已经成为危害公众健康的一大杀手，具有较高的死亡率和致残率。股骨头坏死(ONFH)是股骨颈骨折内固定术后最常见的并发症，也是导致患者再次手术的主要原因之一，早期干预可防止早期骨坏死加重，但目前的医疗水平对FNFs术后无症状股骨头坏死仍无有效诊断方式，这将失去股骨头坏死的早期干预的机会。本研究的主要目的是利用x线平片结合患者变量（临床症状）开发的一款深度学习方法(DL)，建立FNFs内固定术后ONFH的预测模型。对接受了闭合复位空心螺钉固定的FNFs患者进行一项双中心的回顾性研究。然后我们使用术后骨盆x线片和输出的回归x线片变量建立卷积神经网络(CNN)模型。同时，让一个经验较少的骨科医生和一个经验丰富的骨科医生同时通过患者和x线片进行评估和诊断。基于患者和X线片变量开发了混合列线图，来判断预测性能。本研究共纳入例患者，其中股骨头坏死95例、非股骨头坏死例。术后照X线片并记录其变化，对于CNN模型，验证集的精度为0.，并且该算法实现了曲线下面积(AUC)值为0.的预测。基于术后x光片，该算法的诊断和预测能力优于两位医生。在临床标准图中加入基于DL的放射学变量改善了预测性能，结果AUC值为0.(95%CI，0.-0.)和更好的校准。决策曲线分析表明，与单独使用临床方法相比，添加DL提高了列线图的临床实用性。综上所述，我们构建了基于X线片和患者变量的DL简化列线图，可提高对FNFs内固定术后ONFH早期预测的准确性。
引言
髋部骨折已经成为一个严重的公共卫生问题,全世界每年约有万人罹患髋部骨折,40年后这个数字预计将增加到万。股骨颈骨折（FNFs）是髋部骨折中最常见的一种,占所有髋部骨折的49-80%。尽管有多种有效的内固定方法治疗FNFs，仍有10-48.8%的患者因继发股骨头坏死（ONFH）需要二次手术。ONFH可引起的关节功能障碍、疼痛、肢体残疾和精神压力，给患者带来了极大的痛苦，晚期不得不通过人工关节置换手术，才能恢复正常生活。早期诊断可在一定程度上避免或推迟关节置换术，然而由于ONFG早期症状不典型，影像学上容易被内固定装置干扰等因素，经常发生误诊和漏诊的现象。同时由于不同放射科医师诊断标准的不同以及视觉估计有偏差，诊断的一致性和准确性进一步降低。因此，早期、准确、一致地预测股骨头坏死是改善患者预后的关键所在。最新研究证明，使用x线片的深度学习（DL）方法能够以专家级精度对特定部位的骨骼结构和特征进行分类，目前已被广泛应用于腕、踝关节的骨科诊断当中的卷积神经网络（CNN）是最适合DL图像识别的模型。Chee等人在利用DL放射学模型诊断早期股骨头坏死方面有了突破性的发现，该模型的灵敏度和特异性均高于经验不足和经验丰富的放射科医生。他们的研究验证了DL在诊断和预测股骨头坏死方面的潜力，特别是在x线成像方面的潜力。术后x线是最常用的检查方法，基于术后x线诊断可以提高对股骨头坏死的预测，从而获得更好的预后效果。但术后x线受各种原因的影响，如内固定装置的干扰，容易导致x线图像可能会与股骨颈和股骨头的原始外观不同。在本研究中，我们设计和评估了CNN模型的DL算法诊断的准确性。同时比较了该DL模型与两名不同经验水平的骨科医生诊断的准确性。
以往大量的研究表明，患者和干预方式的变量，包括人口学、骨折分类、实验室检查、复位质量和术后早期康复，与术后ONFH显著相关。然而，术中和术后的因素，特别是影像学变量，包括术中复位和骨折愈合，还未被纳入常规的术后ONFH临床预测。在本次研究中，使用患者和人工智能(AI)放射学变量的混合DL促进预测模型也被开发出来。
表1CNN模型的设计
材料和方法
研究人群:选取年6月至年1月，在中国科学医院(FAH)和中国科学医院(SBH)南方分院，因股骨颈骨折接受闭合复位空心螺钉固定的患者例，其中FAH例，SBH99例。纳入标准
1)年龄大于18岁的新鲜股骨颈骨折患者;(2)有术后6个月骨盆x线片;(3)持续随访至少5年，临床特征明确。排除标准1)病理性骨折、双侧骨折;(2)长期使用激素者。根据美国骨科医师学会指南，股骨颈骨折的治疗标准和策略是空心加压螺钉固定技术。术后股骨头坏死由盆腔磁共振成像诊断或由三位经验丰富的骨科医生根据最后一次随访获得的盆腔x线片共同作出诊断。医院伦理委员会的批准。
统计资料有吸烟史、饮酒史、血液检查、术前Garden分型、术前损伤间隔时间、手术相关数据、术后Garden指数等。
图1混合列线图的构建流程图
影像研究:使用图像存档和通信系统(PACS)对FAH和SBH患者进行图像采集和检索。对FAH患者使用DigitalDiagnostics(PhilipsHealthcare)，对SBH患者使用DiscoveryXR(GEHealthcare)。存储的图像大小从2,×2,像素到2,×2,像素不等，具有8位灰度颜色。每张X线片都根据术后ONFH的最终诊断进行标记。股骨头T1加权像上呈几何状、光滑、凹陷、带状低信号病变为ONFH的病因学MRI表现。最后一次随访未获得MRI资料(45/，18.9%)的诊断依据是最后一次随访获得的盆腔平片，并将其作为标记的参考。ONFH的诊断标准采用美国骨科协会循环骨科分类系统(ARCO)，并将其分为骨质疏松症、骨质疏松症和骨质疏松症。使用MATLAB库(版本b，MathWorks，USA)加载射线图像文件以进行处理。以双侧股骨头为中心的7×7cm图像被裁剪。中心坐标是事先手动记录的。将X线片标准化到相同的大小和像素强度分布。这些图像经过下采样和填充，最终大小为×像素。对每幅图像的平均像素强度和标准差进行归一化处理。
表2患者的基线资料
算法开发和图像变量的提取:为了开发深度学习算法，我们使用MATLAB(b版，MathWorks，USA)实现了一个CNN模型来计算输入图像像素阵列的抽象图像特征。CNN模型的设计如表1所示。CNN模型由三个卷积块、一个丢弃层和全连接层组成。每个卷积块由卷积运算、批归一化、重排和平均池组成。使用的输入是使用数字图像将像素值设置为?。利用输出标签与真实标签之间的差异，对每一层进行立方卷积和合并，以调整神经网络的权值。患者被分配到不同的组：名(63%)接受培训，17名(7%)接受验证，72名(30%)接受测试。对输出结果进行回归分析。网络输出为回归系数0~1.25连续变量的概率分布，每0.25个区间分为1~5个分类标签，标记值越高，对术后ONFH的预测越强。本研究中，这个输出标签被称为AI索引分类。
算法评估:利用72个独立数据集对训练后的预测模型进行检验，以评估其对术后股骨头坏死预测的准确性。通过受试者工作特征曲线和曲线下面积评估模型预测术后股骨头坏死的概率。并且使用0.5的截止水平概率测量了x线片对概率预测的灵敏度、准确性、召回率和特异性。（训练曲线被用来确定均方根误差和损失，而精确-回归曲线被用来确定精确性。）
图像预测变量评价：我们通过AI指数DL算法与两名不同经验水平的骨科医生观测相同x射线进行比较，以评估算法的性能。研究协调人将髋关节手术后6个月获得的x线片随机分为两个信息处理和控制序列。让一位经验不足的骨科医生(A医生，第三年的住院医师)和一位经验丰富的骨科医生(B医生，18年的骨科医师)参加了阅片环节。医生根据术后最后随访x线片判断最可能的结果，采用1-5分级系统进行评分。其中1认为股骨头坏死的发展是不可能的，而5则认为股骨头坏死的发展是肯定的。每个医生独立对股骨头坏死的预测变量进行评分。通过校准和工作特征曲线分析，将AI的表现与两位医生的评价进行比较。
图2CNN模型在术后ONFH预测中的表现
预测模型发展:采用多变量Logistic回归分析，建立基于患者和临床变量的临床预测模型。应用AI指数分类作为单因素和多变量Logistic回归分析的候选预测因子，使用混合变量构建基于DL的术后ONFH预测模型。然后在多变量Logistic回归模型的基础上构建了临床预测诺模图和基于DL的诺模图，工作流程图如图1所示。
列线图性能评估:基于人工智能的列线图和临床列线图采用校准曲线进行评估。通过曲线下面积量化了基于AI的列线图图谱和临床列线图的鉴别性能。
临床使用:通过计算阈值概率范围的净收益来估计列线图的临床效用。
统计分析:用中位数和平均标准差(SD)描述连续变量；分类变量以频率和百分比的形式呈现；组间比较采用Mann-WhitneyU检验和卡方检验；采用R软件版本3.0.1构建诺模图；使用“proc”软件包绘制ROC曲线；使用“RMS”软件包进行诺模图构建和校准曲线图创建；使用“dca.R”包执行DCA；模型选择采用正反向逐步法，采用似然比检验，以Akaike信息准则为停止准则；选择Akaike信息准则最小的模型作为最终模型；报告的统计显著性水平都是双面的，统计显著性设置为P值为0.05。
图3人工智能指数预测值的表现
结果
x线影像特征:用例患者(包括95例股骨头坏死患者和例正常患者)的术后x线片构建DL模型和预测列线图。所有患者的AI指数为每张x线片中提取成像特征变量。表2显示了患者的基线特征。
CNN模型性能:建立了一个CNN模型提取x线片变量，测试集的精确召回曲线如图2A所示，盈亏平衡点的阈值为0.。设此点为灵敏度和特异性的最高总和。在此阈值下，训练集的训练精度值分别为0.和0.。训练过程中的变化如图2B所示。随着迭代次数的增加，训练集和测试集的中误差的偏差逐渐减小，两条曲线趋于平稳。同样，随着迭代次数的增加，训练集与测试集之间的损失偏差也逐渐减小。
预测x线片AI变量性能:与医生A和医生B相比，AI指数校准曲线预测与实际观察吻合较好(图3A)。人工智能指数的敏感度值为0.(95%置信区间，0.–0.)，经验较少的医生A的敏感度值为0.(95%置信区间，0.–0.)，经验丰富的医生B的敏感度值为0.(95%置信区间，0.–0.)(图3B)。从图3C所示的曲线可以看出，当医生或患者的阈值概率在0.09-0.96范围内时，AI指标为预测增加的准确性要比医生A或医生B高。
混合预测模型:单因素logistic回归分析发现，体质指数、损伤严重程度评分、复位时机、Garden分类和AI指数是影响ONFH的显著因素。然后,我们创建的预测计算图表,结合上面的独立预测因子,提出了混合列线图(图4)。基于排除在AI指数之外的独立预测因素，构建了临床列线图(图4B)。
混合列线图性能:与临床列线图术后ONFH预测模型相比，混合列线图术后ONFH预测模型的校准曲线与实际观察结果吻合较好(图5A)。基于AI的列线图的曲线下面积(AUC)为0.(95%CI,0.-0.)，而临床列线图的曲线下面积(AUC)为0.(95%CI,0.-0.)(图5B)。差异有统计学意义，说明混合列图对ONFH的诊断具有较好的鉴别和预测能力。
临床使用:混合列线图和临床列线图的DCA如图5C所示。DCA表明，当医生或患者的阈值概率在0-0.98范围内时，混合列线图治疗方案比“全部治疗”或“不治疗”策略增加了更多的净效益。临床列线图的范围为0.2-0.7，这也表明了使用混合列线图预测术后ONFH更有益。
讨论
表3混杂变量的单变量和逐步多元分析结果
讨股骨颈骨折术后早期诊断ONFH一直是临床
