足部和踝关节手术中的人工智能：当前概念

Artificial Intelligence in Foot and Ankle Surgery: Current Concepts

摘要: 21世纪已经证明，数据是新的黄金。人工智能(AI)驱动的技术可能会改变包括整形外科在内的所有医学专业的临床实践。人工智能具有广泛的子组件，包括机器学习，它由一个称为深度学习的细分组成。人工智能有可能增加医疗保健服务，改善指征和干预措施，并最大限度地减少错误。在骨科手术中，人工智能支持外科医生对放射图像的评估、外科住院医师的培训以及机器辅助手术的出色表现。人工智能算法改善了医院和诊所的行政和管理流程、电子医疗数据库、监测结果和安全控制。几乎所有骨科亚专科都在开发人工智能模型，包括关节镜、关节成形术、肿瘤、脊柱和儿科手术。本研究讨论了人工智能在足部和踝关节手术中的应用、局限性和未来前景。

Abstract: The twenty-first century has proven that data are the new gold. Artificial intelligence (AI) driven technologies might potentially change the clinical practice in all medical specialities, including orthopedic surgery. AI has a broad spectrum of subcomponents, including machine learning, which consists of a subdivision called deep learning. AI has the potential to increase healthcare delivery, improve indications and interventions, and minimize errors. In orthopedic surgery, AI supports the surgeon in the evaluation of radiological images, training of surgical residents, and excellent performance of machine-assisted surgery. The AI algorithms improve the administrative and management processes of hospitals and clinics, electronic healthcare databases, monitoring the outcomes, and safety controls. AI models are being developed in nearly all orthopedic subspecialties, including arthroscopy, arthroplasty, tumor, spinal and pediatric surgery. The present study discusses current applications, limitations, and future prospective of AI in foot and ankle surgery.

1. 引言

21世纪已经证明，数据是新的黄金。人工智能(AI)驱动的技术可能会改变包括整形外科在内的所有医学专业的临床实践。人工智能有可能增加医疗保健服务，改善指征和干预措施，并最大限度地减少错误。人工智能是计算机等机器所展示的智能。它有几种能力，比如学习、推理、概括及推断意义。人工智能技术适应并集成了几种解决问题的技术，如搜索和数学优化、形式逻辑、人工神经网络以及基于统计学、概率论和经济学的方法。目前，高度数学和统计的ML已经主导了人工智能。这为学术界解决了许多具有挑战性的问题。人工智能是使用计算机控制的机器模拟人类智能的过程。它包括信息、推理和自我纠正能力。人工智能与智能机器人和相关机械一起使用，以更准确地进行骨科手术。这些系统可以检测给定环境中的错误，并提供有关热、光、运动、温度、声音和压力的可操作信息，从而最大限度地减少人为错误。在骨科手术中，人工智能支持外科医生对放射图像的评估、外科住院医师的培训以及机器辅助手术的出色表现。人工智能算法改善了医院和诊所、电子医疗保健的行政、管理流程数据库、监视结果和安全控制[1]。

几乎所有骨科亚专科都在开发人工智能模型，包括关节镜、关节成形术、肿瘤、脊柱和儿科手术。Klemt等人[2]开发并验证了ML模型，以预测原发性全髋关节置换术(THA)后早期翻修的风险。Jo等人[3]提出了一个预测原发性全膝关节置换术(TKA) bbb后输血风险的ml0模型。Merali等人[4]开发并验证了一种在磁共振成像(MRI)扫描中检测颈脊髓压迫的DL模型。Kunze等人[5]训练并测试了几种ML模型，用于预测髋关节结果评分–运动亚量表(HOS-SS)在股髋臼撞击综合征，髋关节镜检查后达到最小临床重要差异(MCID)的患者。Xu等人[6]开发了一种dl辅助系统，用于直接从骨盆平片进行与髋关节发育不良相关的自动测量和分类。技术进步正在加速发生，并正在被纳入医疗保健。有几个这样的计算机导航、机器人辅助关节成形术和3d规划等技术已经进入骨科领域。随着对软件算法的不断理解和改进，骨科手术现在正在深入研究人工智能系统。当前几代人工智能算法有助于图像识别、多变量风险分析和结果预测。很明显，人工智能和机器学习可能会在短期内对临床骨科实践产生重大影响，并将在临床实践中找到更新的应用，增加机器学习的实用性和使用。人工智能有望为传统上冗余和重复的任务提供解决方案，这些任务在智力范围上较低，会导致外科医生的倦怠和错误；然而，人工智能面临着一些挑战，包括伦理部署、监管问题，以及它相对于传统统计和决策的临床优势。人工智能在骨科中的几个临床应用包括骨尺寸的测量、骨折的处理、脊柱问题和关节置换术。这是一种利用现有信息高效执行复杂案例的创新方法。这项技术支持骨科医生在手术植入物的适当选择。这是一项很有前途的技术，可以提高骨科手术的效果。

本文讨论了人工智能在足部和踝关节手术中的作用，重点是成本影响、潜在限制和未来前景。

2. 人工智能在足踝手术中的作用

2.1. 诊断学

由于许多患者会向非骨科护理提供者寻求足部和踝关节x光片解释，因此深度学习和人工智能对于准确快速地诊断患者并将其转介给更专业的提供者非常重要。卷积神经网络(cnn)是深度学习的一种形式，可以从原始图像像素中识别视觉模式，这使得它们在医学成像中具有潜在的用途。虽然为x线摄影图像开发的cnn具有很高的骨折检测能力，但它们最终受到限制，因为x线摄影只能提供3D关节的2D表示。为了解决这个问题，用于踝关节和足部骨折检测的人工智能也从x线摄影扩展到计算机断层扫描(CT)成像。通过de novo和预训练cnn，发现深度学习可以成功检测并准确分类92%~98%的Sanders跟骨骨折类型[7]。

2.2. 机器人应用

机器人技术在外科手术中的应用并不局限于机械臂在术中辅助的应用。人工智能也被提倡用于成像分析、术前计划中针对患者的器械以及机器人辅助康复[8]-[10]。

2.3. 骨折的处理

一些作者描述了人工智能在踝关节和足部骨折的诊断和治疗中的应用。Ashkani-Esfahani等人[11]内部验证了两个深度卷积神经网络(DCNN)用于从x线片识别踝关节骨折，并实现0.99的近乎完美的曲线下面积(AUC)。Kitamura等人[12]内部验证了5个独立的cnn用于从x线平片检测踝关节骨折，并获得了81%的骨折检测准确率。Prijs等人[13]通过内部和外部验证了一种用于从x线平片检测、分类和定位踝关节骨折的DL模型，并在外部验证bb0上获得了0.92的AUC和99%的准确率。Guermazi等人[14]内部验证了一种用于检测足部和踝关节x线平片骨折的DL模型，该模型的auc为0.97，每位患者的敏感性为93%，每位患者的特异性为93%。Olczak等人[15]根据AO基金会/骨科创伤协会(AO/OTA) 2018年的分类，内部验证了用于从x线片对踝关节骨折进行分类的神经网络模型，该模型在分类AO类型方面表现出相当优异的性能，auc范围为0.79至0.99。Pinto Dos Santos等人[16]内部验证了CNN在踝关节前后位x线片上检测骨折，AUC为0.85时表现良好。Ashkani-Esfahani等人[11]内部验证2个DCNN模型用于检测单位(正位)和三位(正位，侧位，斜位)的Lisfranc不稳定性，auc范围为0.925至0.994。Aghnia Farda等人[17]内部验证了CNN模型，将CT图像上的跟骨骨折分类到Sanders系统中，该模型在增强数据后表现良好，分类准确率接近72%。Pranataetal。内部验证了2个独立的cnn模型，用于检测CT图像上跟骨骨折的存在或不存在，并达到了98%的优异精度。Hendrickx等人内部验证了4 ml和dll模型用于预测胫骨干骨折和相关的隐匿性后外踝骨折患者。该模型在auc为0.81~0.89的范围内表现良好[18]。Oosterhoff等人[10]内部验证了5种预测胫骨远端骨折后踝受累的模型，使用的数据集与Hendrickx等人先前描述的研究相同。Oosterhoff等人[19]发现所有模型都表现良好，auc为0.80 (最高0.89)，5个模型中有4个模型的Brier评分为0.11。

2.4. 肌腱

Wang等人[20]内部验证了几种基于放射组学的ML模型，用于从滑雪者的超声图像中诊断跟腱病变，并获得了0.99的AUC，90%的灵敏度和100%的特异性。Kapiński等人[21]内部验证了几种DL模型在MRI扫描上对跟腱损伤进行分类，最高准确率为97.6%，灵敏度为98.3%，特异性为99.45%。Merrill等人内部验证了一个逻辑回归和梯度增强模型，用于预测急性踝关节骨折接受切开复位内固定(ORIF)的患者的短期并发症，包括死亡率和再入院率。两种模型的表现相似，梯度增强的auc范围为0.6979至0.7580，逻辑回归的auc范围为0.7101至0.7583 [22]。

2.5. 拇外翻

Li等人旨在内部验证DL模型，以检测负重x线片中的18个解剖学标志，包括拇外翻角(HVA)、拇指间角(HIA)、第一第二跖间角(IMA)和跖远端关节角(DMAA)。4个角度的观测值(由放射科医师手工操作)与预测值(模型)具有良好的相关性(类内相关性：0.89~0.96，r = 0.81~0.97) [23]。Day等人旨在评估一种基于人工智能的软件的性能，该软件可以自动测量拇外翻患者负重束计算机断层扫描(WBCT)的theM1-M2图像。基于人工智能的软件比人工测量更快，与人工测量具有良好的相关性，并且具有更高且近乎完美的重测信度(3D和2D IMA的软件内类相关系数均为0.99) [24]。Wang等人验证了一种支持向量机模型，使用hva、IMA和DMAA对症状性头痛患者进行分类，准确率为76.4% bb0。

2.6. 应力裂缝

Wanget等人在内部和外部测试了一种用于从x线平片检测疲劳骨折(一种应力骨折)和分级的DL系统，该系统在检测足部图像的疲劳骨折方面表现优异(AUC 0.911，灵敏度90.8%)，在检测胫腓骨图像方面表现良好(AUC 0.877，灵敏度85.5%)。疲劳骨折分级的外部有效性尚未得到证实，因为DL系统表现不佳，胫腓骨图像的总体准确性为62.9%，足部图像的准确性为61.1%。

2.7. 运动损伤

Diniz等人内部验证了一个ML模型，用于预测足球运动员在跟腱断裂后是否会恢复到类似的表现，获得了0.81的良好AUC和0.12的Brier评分损失。Lu等人内部验证了许多用于预测事件的ML模型，精英篮球运动员下肢肌肉拉伤(股四头肌，小腿，腿筋，腹股沟)的发生率。其中，XGBoost模型的AUC最高，为0.840，在Brier评分和校准也考虑为的情况下，是表现最好的模型[25]。Jauhiainen等人[26]内部验证了2 ML模型用于预测年轻篮球和地板运动员(年龄 ≤ 21岁)的中度和重度膝盖和脚踝损伤，随机森林模型的AUC为0.63，逻辑回归模型的AUC为0.65，表现不佳[27]。ruiz-prez等人[28]内部验证了许多ML模型预测职业五人球运动员下肢非接触性软组织损伤的结果，这些模型总体上表现比较好，最佳模型的AUC为0.767，灵敏度为85.1%，特异性为62.1%。Suda等人[29]内部验证了几种支持向量机模型，这些模型基于脚–脚踝的运动学和动力学模式对跑步经验水平进行分类，以潜在地帮助跑步康复和训练。对于经验不足的跑步者，模型的分类准确率为88.5%，中等经验的跑步者为87.2%，经验丰富的跑步者为84.6%。

2.8. 足底筋膜炎

Yin等人内部验证了一个神经网络模型，用于预测慢性足底筋膜炎患者在体外冲击波治疗(ESWT)后6个月达到最低临床成功治疗的患者(视觉模拟评分，VAS，比基线降低60%或更多)。该模型表现良好，总体精度为92.5%，灵敏度为95.0%，特异性为90.0% [30]。Keijsers等人[31]内部验证了一种神经网络模型，用于区分有前脚疼痛和没有足底压力数据的患者，该模型表现令人满意，准确率为70.4%。Zhu等人研究了人工智能辅助超声引导下的针刀治疗是否能改善慢性足底筋膜炎患者的治疗效果。被分配到人工智能辅助组的患者有统计学意义。在随访2周、4周和8周时，美国矫形足踝学会(AOFAS)评分较高，足底筋膜弹性评分和足底筋膜厚度较低[32]。

2.9. 踝关节置换术

Hernigou等人[33]应用人工智能和机器学习协助开展研究，以开发一种定义胫骨关节理想运动轴和患者特定运动轴的方法，旨在改进机器人辅助全踝关节置换术(TAA)。

2.10. 步态异常

Ardhianto等人[34]应用DL帮助从足底压力图像中自动测量足前进角(FPA)，帮助临床医生评估。

2.11. 其他应用

Pakhomov等人[35]应用机器学习自动识别和分类临床记录中的足部检查结果为正常、异常或未评估，他们的模型表现良好，总体准确率在81%至87%之间。

2.12. 局限性

人类在人工智能技术上花费了数十亿美元，但仍在应对人工智能的炒作，相对而言，未能意识到这项技术的真正用途，并以最具成本效益的方式利用它。基于人工智能的解决方案的价值应该从几个方面进行调查，如伦理、价值主张、开发算法的适应症、安全性和风险、潜在用户、普遍性、质量和有效性，以及目前对临床翻译的限制。使用人工智能的一个限制是，来自单一机构的图像将具有相同的切片厚度和像素尺寸。由于其他机构具有不同的成像技术和图像尺寸，因此开发经过不同成像池训练并能够适应源成像差异的深度学习模型至关重要。

3. 未来的影响

3.1. 临床意义

虽然足部和踝关节手术落后于其他骨科专业，但在这一领域更广泛地使用和研究机器人是必要的。cnn可以进行自主结果预测训练，目前主要用于在众多临床环境中进行骨折检测。最后，考虑到损伤后和手术后的结果，机器人脚支架、模拟器和辅助肢体设备具有多种自适应功能，可选择实时患者反馈，从而深度个性化患者康复。

3.2. 全踝关节置换术

机器人辅助全髋关节置换术和全髋关节置换术的进展显示出良好的临床效果，在全髋关节置换术中的应用前景广阔；然而，由于足部和踝关节手术的范围广泛，单一手术的数量比关节置换术少，因此这些技术的广泛采用存在重大的成本障碍。平移尸体研究可能有助于澄清踝关节的自然机械应变和损伤生物力学，测试当前的TAA系统，并引入新的机械装置进行非手动骨折复位。在临床末端，机器人和基于计算机的系统被用于提高TAA和创伤的精度，但与THA和TKA机器人相比，这些发展并不广泛。因此，在未来几年，具有开放式技术能力的密闭空气解决方案(CAS)和机器人可能会被广泛应用于足部和脚踝;然而，利用机器人辅助的TAA改善植入物定位可以降低长期医疗成本，特别是与其他关节置换术相比，TAA的失败率很高。如果开放式机器人系统也能用于TAA的其他手术，如软组织操作，那么在手术室和患者的生活质量方面，纵向成本和结果都可能得到显著改善。

3.3. 假肢和矫形器

随着踝关节假体、矫形器和治疗方法的未来改进，进一步的工作将有助于优化这些系统的设计，以创造更轻的设备，以减少代表用户的机械工作，并重建更好的自然运动[36]。在文献中也描述了将踝关节矫形器扩展到足踝–膝关节矫形器以治疗更虚弱的病理[37]。其他的建议包括个性化的方案，根据病人的个人需求量身定制，而不是标准化的、一刀切的方案。最终，患者将从这些技术中受益，通过可修改的产品促进个性化恢复，改善术后结果。

3.4. 医疗保健管理

人工智能和深度学习的进步将允许将其纳入初级保健和急性护理环境，以提高踝关节病理诊断的效率和准确性。特别是在医生对复杂的骨科损伤不太熟悉的情况下，这些系统可以缩小实践中的知识差距，同时降低护理成本和解释放射成像的时间，以便更快地转诊、制定治疗计划和手术干预时间。鉴于这些算法令人印象深刻的精确度和准确性，另一个应用是远程医疗，允许远程诊断，可能没有放射科医生的解释。除了骨折检测，人工智能系统还可以根据先前的数据模式向外科医生告知患者特定的预期结果，回答诸如“我的患者再次手术或植入失败的风险有多大？”或者“这个病人还要多久才能恢复工作？”

3.5. 研究

未来的研究应该着眼于将机器人技术专门应用于外科手术和临床实践，尸体转化研究已被证明是一条准确且可复制的管道。

体外和体内步态模拟器可以开始过渡到人类受试者；然而，应该首先开发侵入性较小的版本。此外，由于过去的大多数尸体模型都是静态的，只有一个运动平面，使用更多的动态机器人模拟器和更多的自由度将允许更真实的标本定位，以更好地代表生物运动。此外，这些静态模拟器只应用一个或两个维度的行动，如扭矩或轴向载荷，在固定的运动范围内。随着对关节载荷和应变复杂性的了解，将这些概念应用于机器人系统以反映日常活动(如行走，弓步和旋转)中的关节运动学将是有趣的。这也需要在这些活动期间对这些类型的负荷进行量化，这一点尚未得到阐明。本研究将丰富我们对踝关节的认识，可直接应用于手术计划和术后治疗，恢复活动。

4. 成本影响

目前，提供人工智能软件的公司收取高额费用。这主要是因为投入研究的资金。这个领域目前正在不断发展，一旦它被精简，成本必然会下降。此外，整合到全球医疗保健系统将增加数据量和用户。这反过来又会吸引多家公司以更具竞争力的价格提供这项技术。

5. 结论

人工智能在足部和踝关节手术中正在普及，但大多数模型缺乏外部验证。目前，大多数模型被用于图像解释，并且在这方面表现出色，但是对于临床预测，模型的性能并不稳健。足踝外科需要探索更多的学科领域，需要有更好的性能和外部验证的模型。