基于深度学习的踝关节不稳自动化放射学评估系统开发与验证

本研究针对踝关节不稳诊断中传统应力放射学检查存在的主观性强、耗时等问题，开发了一种基于深度学习(DL)的自动化测量系统。该系统通过1,452例踝关节正位片和2,984例侧位片数据，实现了距骨倾斜角(Talar tilt)和距骨前移距离(Anterior talar translation)的自动测量，与临床医师评估结果具有高度一致性(Pearson r=0.798-0.862，ICC=0.797-0.861)。研究成果为踝关节不稳的客观诊断提供了新工具，发表于《Scientific Reports》。

　　

踝关节扭伤是最常见的肌肉骨骼损伤之一，仅在美国每年就有约200万病例，韩国每年治疗患者超过120万。虽然大多数患者通过保守治疗可以康复，但约20-40%会发展为慢性踝关节不稳，导致持续性疼痛、肌肉无力，甚至可能引发距骨骨软骨损伤和踝关节骨关节炎等严重并发症。因此，早期准确诊断至关重要。

目前临床常用的Romberg试验和应力放射学检查各有局限：前者受患者配合程度影响，难以评估功能性运动；后者虽能提供客观结果，但需要专业知识解读且存在观察者间差异。传统自动化测量方法对图像质量、投影角度等变化敏感，准确性有限。尽管深度学习技术在医学图像分析领域取得显著进展，但尚未有应用于负重位踝关节X光片参数自动测量的系统。

为解决这一临床需求，京畿大学与启明大学东山医院的研究团队开发了首个基于深度学习的踝关节不稳放射学参数自动测量系统。该系统不是诊断模型，而是旨在为临床评估提供客观、可重复的测量支持。研究成果发表在《Scientific Reports》期刊。

研究采用了韩国国家信息社会局提供的公开数据集，包含4,000名患者的1,452张负重正位片和2,984张负重侧位片。通过三级处理流程：首先使用YOLOv11n模型检测包含胫骨和距骨的感兴趣区域(ROI)；然后采用基于PVTv2骨干的FCBFormer模型生成胫骨和距骨分割掩模；最后通过图像处理算法自动测量距骨倾斜角和距骨前移距离。模型训练采用6:2:2的数据划分策略，并应用了CLAHE等图像增强技术。

研究结果显示，ROI检测在正位片和侧位片上的mAP_0.5分别达到0.993和0.995，分割模型的Dice相似系数(DSC)均为0.966。自动测量与临床医师评估结果高度一致：距骨倾斜角的Pearson相关系数(r)为0.798，组内相关系数(ICC)为0.797，一致性相关系数(CCC)为0.796，平均绝对误差(MAE)为1.088°；距骨前移距离的r=0.862，ICC=0.861，CCC=0.861，MAE=0.468 mm。Bland-Altman分析显示，两种参数的95%一致性界限分别为-2.3°至2.0°和-1.3 mm至1.5 mm。系统推理时间在GPU环境下平均为0.310-0.337秒。

距骨倾斜角测量准确性相对较低的原因可能与正位片上胫腓骨重叠导致的边界模糊有关。虽然误差绝对值较小，但在骨表面短或接近平行时，微小偏差会被几何放大。相比之下，侧位片上距骨前移距离测量因解剖结构分离更清晰而表现更优。

该研究首次将深度学习技术应用于踝关节不稳关键放射学参数的自动量化，系统表现出色性能的同时保持了临床实用性。其创新性体现在：首次实现负重位踝关节X光片参数的自动测量；采用级联深度学习框架结合传统图像处理算法；在大型多样化数据集上验证性能。

研究也存在一定局限：数据集来自单一机构且缺乏应力位片；未包含严重解剖变异病例；仅关注机械性不稳参数等。未来工作可扩展至多中心验证、纳入应力位片、开发轻量化版本等方面。

这项研究为踝关节不稳的客观评估提供了可靠工具，有望简化诊断流程、减少主观性并提高评估精度。随着进一步优化和临床验证，该系统或将成为放射科和骨科医师的实用辅助工具，推动踝关节疾病诊疗的标准化和智能化发展。