作者：张双双，陈笑一，许娜，深圳市儿童医院超声科
发育性髋关节发育不良（developmental dysplasia of the hip，DDH）是由于髋臼发育缺陷或关节囊松弛造成髋臼对股骨头覆盖不良，导致髋关节生物力学异常而出现的股骨头脱位，不同地区发病率差异较大，国内报道发病率>1%。
DDH预后的关键在于早期诊断和及时治疗，早期得到有效治疗的患者大多能恢复正常的髋关节结构和功能，延迟诊治不仅使治疗方式更复杂困难，还可能导致不同程度的残疾，WHO报道在50岁以下的患者中，有10%~15%的患者未得到有效治疗而需要髋关节置换。
DDH目前公认的筛查方式是临床体格检查和影像学检查。临床体格检查主要通过观察臀纹是否对称、Barlow试验等进行初步诊断，但主观依赖性强，假阳性率高，从而导致临床检查困难。相比之下，影像学检查可以直观显示髋关节的形态，对髋关节不同病理类型进行分型诊断。
然而，DDH的影像学检查对医师的专业水平要求高，包括能够正确识别标准图像和关键解剖结构，准确进行生物学测量，通常需要接受专业培训，难以确保基层医疗机构的诊断准确度。近年来，越来越多研究人员将深度学习（deep learning，DL）应用到不同的DDH医学图像评价任务中，取得了巨大进展，分类甚至可以与专家达到高度一致。
1. DDH 影像学检查
DDH可以通过超声、X线、CT、MRI等影像学检查进行筛查和诊断。超声和MRI无电离辐射，能够清楚显示髋关节的软骨及周围软组织，利于评价髋臼发育情况和股骨头与髋臼的位置关系。但MRI高昂的检查费用及需要受检者高度配合不适用于DDH的筛查，通常仅用于需要手术治疗的患儿。超声检查因其费用低、无辐射，无需使用镇静剂等优点，现已成为6个月以内婴儿DDH检查的首选影像学检查方法。
随着月龄增长，髋关节逐渐骨化，X线和CT检查显示骨骼结构的优势凸显。X线检查操作简单、价格低廉、辐射量低，是6个月以上月龄婴儿的常用筛查方法。CT检查虽然能够显示更加细微的结构，但因其费用较高、要求患儿高度配合、辐射量大等问题而受到限制。综上所述，目前DDH早期筛查常用影像学方法为超声和X线。
2. 人工智能（artificial intelligence，AI）在DDH 影像学上的应用
AI已经在临床影像学检查全流程中展开应用，AI包括传统机器学习（machine learning，ML）和DL。传统ML依赖于复杂的人工特征工程，存在算法泛化性差及局限性大等问题。随着计算机技术和硬件的进步，以卷积神经网络（convolutional neural network，CNN）为代表DL的优势得以体现，多种CNN网络的多个处理层能够自动提取并高效捕捉医学图像的抽象特征，利于精确评估DDH，在提高准确度和速度的同时减少异常值，准确地实现分割、指标测量和髋关节分类等任务。
近年学者们陆续发表了多篇关于CNN的文章，探索更高效稳定的算法和模型。由于婴儿髋关节未骨化的特性，且超声成像相比X线、CT等具有无辐射、低成本和便携性等特点，因此超声成为婴儿DDH的首选检查方法，相应地，对于DDH的影像学研究主要集中在超声影像中。
2.1 AI在DDH超声诊断的研究
我国DDH专家共识提出可通过测量标准切面的α角、β角、股骨头覆盖率、头耻距等生物学指标进行DDH临床诊断和分型，其中α角可用于评估骨性髋臼发育情况，β角评估软骨性髋臼发育情况，股骨头覆盖率和头耻距反映股骨头与髋臼的位置关系。在临床实践中，获得高质量的标准图像操作难度大，测量指标多，检查过程耗时耗力。AI在超声检查中的应用已得到业界认可，近几年多项研究探索AI在超声切面定位、生物学指标自动测量、分类诊断中的应用，有关AI在DDH三维超声中的研究较少。
2.1.1 AI在DDH超声切面定位中的研究
DDH超声检查时首先需要获取标准切面，如中立位冠状切面、屈髋位后外侧横切图等，这对后续的生物学测量和诊断至关重要。不同标准切面需显示相应的关键解剖结构，这对医师的专业水平和操作手法要求高，且人为选择标准切面的主观性强、不利于随访对比观察。有关DDH超声切面定位的报道较少，早期主要通过传统ML，如随机森林对DDH的标准图像和非标准图像进行分类，依赖于对图像特征的手工提取，在准确性和鲁棒性上存在一定限制。DL能够自动提取并学习标准切面的特征，利用深度卷积网络ResNet构建的标准切面分类器的准确度高达96.7%，能够很好地应用于临床，可以提高标准切面的识别率，提高检查效率，进而为DDH超声的生物学测量奠定基础。
2.1.2 AI在DDH超声生物学指标测量中的研究
在DDH超声标准切面的基础上进行生物学测量，生物学指标测量要求先识别标准图像的关键点，再构成α角、β角等生物学指标进行诊断，公认的Graf法测量的指标在不同医师之间以及多次扫描时探头位置改变时出现的变异性值得关注，利用DL自动测量可减少人为干预造成的误差，更具有可信性。DL对关键点进行提取分为直接法和间接法，间接法引入丰富的解剖结构掩膜信息，降低了模型训练难度。因此目前研究主要集中在间接法。间接法需要先对图像进行分割。
超声图像分割准确度易受到患者移动、操作者手部意外移动、超声成像原理等限制，容易出现噪声干扰、成像伪影，通过优化贝叶斯非局部均值滤波器能显著减少斑点噪声。二维图像仅能显示复杂髋关节的部分结构，出现解剖结构不完整等情况，由于相同解剖结构的形状具有一定相似性，可将形状信息作为先验知识输入到网络中进行预测，即形状先验，在此基础上将局部特征与全局特征结合也可显著提高分割稳定性。
此外，Cudl等将对抗思想引入CNN中构成生成对抗神经网络，对抗即两个网络对抗优化参数的过程，提高了分割的准确度。Lee等利用Mask R-CNN开发了一种基于多解剖关键点检测的DDH自动诊断系统，结果显示与人工测量的一致性较高，α角和β角的组内相关系数分别为0.764和0.743。目前报道的模型仅进行了α角和β角的测量，未评估股骨头与髋臼的位置关系，即测量股骨头覆盖率和头耻距，而这两个指标对评估DDH髋关节不稳定、脱位有重要意义。
2.1.3 AI在DDH超声分类中的研究
超声检查将髋关节分为正常、发育不成熟、发育不良、脱位可复位、脱位不可复位、不稳定等类型，临床根据分型进行治疗，分类研究可节省人力物力，减少出错率。早期研究通过图像增强后，不进行分割和测量，直接进行分类，虽然分类准确度高，但是仅进行分类而没有生物学指标的模型无法解释分类逻辑，难以满足临床需要，目前多数研究是在生物学指标测量的基础上进行分型，能够根据生物学指标评价髋关节发育情况，分类准确度取决于图像分割和生物学指标测量的准确度。
2.1.4 AI在DDH三维超声中的研究
二维超声检查的难点在于髋关节解剖结构的复杂性，目前公认的Graf法标准切面操作难度大。三维超声可显示完整的髋臼形态，更清晰地显示髂骨、坐骨和耻骨的相对位置，有利于判断股骨头脱位方向以及脱位方向的严重程度，可信度高，能同时显示多个切面的解剖信息进而减少检查时间，He等研究表明三维超声获得的α值与二维标准切面一致性较好。
针对如何从嘈杂的三维超声容积中观察和解释髋臼形状的难题，Hareendranathan等提出了一种基于图像搜索的半自动化分割算法简化手工量化三维超声髋臼形状过程，可从髋臼和股骨头的形态学上评价发育情况，但未考虑股骨头与髋臼的位置关系，这会导致因髋臼窝很浅而形成发育不良的患者被错误地归为正常一类。
半自动化分割算法需在每个超声图像上识别多个解剖结构，医师间的可变性可能会影响结果准确度，El-Hariri等训练3D-U-Net用于自动分割，避免了人为分割的可变性，进一步提高了测量的准确度和稳定性，髂骨的Dice系数为85%，股骨头的中心和半径误差分别为1.42 mm、0.46 mm。此外，能否准确诊断DDH在一定程度上取决于图像的质量，Hareendranathan等根据三维超声图像的解剖标志开发了一种基于CNN评估扫描质量是否合格的模型，与专家评估的一致性高，可为医师提供实时反馈。
2.2 AI在DDH放射诊断中的研究
2.2.1 AI在DDH X线中的研究
对于>6个月月龄的婴幼儿，DDH筛查依赖于X线检查，其通过测量生物学指标如中心边缘角、sharp角、Alsberg角、股骨颈前倾角、髋臼指数等评估髋关节发育情况，根据Tonnis方法和国际髋关节发育不良研究组织分型评估DDH脱位程度。DL辅助X线的基本诊断思路是在分割关键解剖结构基础之上进行生物学指标测量，这是因为直接提取和学习X线片的特征诊断髋关节是否脱位，不能得到生物学指标的大小和Tonnis分级情况，临床应用受限。
目前改进的CNN模型（如R-CNN、Mask R-CNN等）可对X线片泪滴下缘、股骨头中心点、髋臼外缘等关键点进行精准定位，实现sharp角、中心边缘角的自动测量，分类的敏感度、特异度和准确度与专业医师接近，且极大程度地提升了临床诊断速度。另一方面，Liu等研究表明学习局部形态特征和全局结构特征，在检测解剖标志物和诊断方面均优于专家，目前徐雨凡等已尝试将ML模型用于医学生DDH的分型培训。
2.2.2 AI在DDH CT诊断中应用
CT因存在辐射限制了其在临床的应用，通常仅用于需要手术治疗的患儿评估髋关节情况和制订手术方案，目前尚无关于AI应用在CT诊断DDH的报道。
2.2.3 AI在DDH MRI诊断中应用
MRI的检查费用昂贵、需要患儿长时间配合或使用镇静剂，仅用于需要手术治疗的患儿，AI相关研究较少。上文所述图像搜索和形状先验等方法同样可用于分割MRI髋关节图像的关键解剖结构，此外，Hareendranathan等针对DDH提出将临床信息作为先验知识纳入随机游走公式（随机游走即利用随机数确定搜索方向），利用相邻切片的像素信息减少边界处信号丢失的影响，能够在4 s内从MRI图像中分割出髋臼轮廓，用户干预极少，速度快，准确度高，有望用于临床术前规划。
3. AI 在DDH 治疗上的应用
DDH的治疗方式分为保守治疗（Pavlik吊带、闭合复位后髋“人”字位石膏固定）和手术治疗（切开复位术、截骨术、姑息性手术等）。不同治疗方式的优缺点不同，临床需要根据患者的年龄、髋臼发育等情况选择最佳的治疗方式。关于AI指导DDH选择治疗方式的研究较少，夏天卫等开发了人工全髋关节置换术术前规划系统，用以辅助成人DDH Crowe Ⅳ型的治疗，术前规划准确度高、术中髋关节易复位和术后患者下地早。
近年陆续发表的多篇三维自动分割的研究有益于为需要手术的患者提供个性化的手术方案。Zeng等基于CNN建立三维MRI自动分割模型用于DDH和髋关节撞击综合征术前规划。其自动分割结果与人工分割的差异<1 mm，但此模型的训练数据少，泛化能力有限，有待大数据的训练模型扩大应用范围。
4. 不足和展望
目前已有多数学者将AI应用于DDH影像学的诊断和治疗，这些模型和算法的主要流程是选择性进行图像增强、分割、生物学指标测量和髋关节分类，通过生物学指标测量的一致性以及分类的准确度进行评价，为临床诊断DDH提供了新的思路，但仍存在不足之处：训练集多属于单中心小样本，容易出现过拟合，稳健性和通用性有待进一步考察和临床验证。部分研究诊断决策过程透明化程度较低，无法提供判断依据。
DDH的发生与胎儿宫内位、绑腿习惯等流行病学资料相关，模型可结合患者的流行病学资料进行优化和改进，更好地服务于临床。随着早期筛查工作的逐渐普及，AI在简化检查操作流程，合理分配医疗资源，减轻医疗负担，提高诊断效率等方面展现出广阔的应用前景。期待未来开展多中心合作进行大样本训练集的研究，以提高模型泛化能力和诊断准确度，并出现更多针对AI结合影像学辅助DDH选择治疗方式以及DDH患者术前规划的研究。随着科技实力的不断壮大，医学影像学技术与AI的结合更加深入，从而精准诊断DDH，改善预后和生活质量。
来源：张双双,陈笑一,许娜.发育性髋关节发育不良影像学检查的人工智能应用进展[J].中国医学影像学杂志,2025,33(02):205-209+220.
(本网站所有内容，凡注明来源为“医脉通”，版权均归医脉通所有，未经授权，任何媒体、网站或个人不得转载，否则将追究法律责任，授权转载时须注明“来源：医脉通”。本网注明来源为其他媒体的内容为转载，转载仅作观点分享，版权归原作者所有，如有侵犯版权，请及时联系我们。)
