基于超声图像识别发育性髋关节发育不良的深度学习算法：一项在中国进行的回顾性、前瞻性、多中心研究

《Eco-Environment & Health》：Deep learning algorithms for identifying developmental dysplasia of the hip based on sonographic images: a retrospective, prospective, multicenter study in China

髋关节超声影像中基于深度卷积神经网络的HSNN模型开发及多中心验证，通过动态视频分析和静态图像分类，实现发育性髋关节脱位（DDH）的高效诊断，准确率达0.92-0.93，AUC值接近1，显著提升初级放射科医生诊断准确性和效率，适用于医疗资源匮乏地区。

　　发育性髋关节发育不良（Developmental Dysplasia of the Hip, DDH）是一种影响新生儿和婴幼儿的常见疾病，其特征是髋关节的股骨头与髋臼之间的对位异常或发育不全。DDH的早期诊断对预防长期并发症至关重要，例如步态异常、慢性疼痛和髋关节过早退行性关节炎等。然而，传统的二维超声检查方法存在一定的局限性，包括诊断重复性差、高误诊率以及对操作者经验的依赖。因此，开发一种能够准确、高效地识别DDH的辅助诊断工具具有重要的临床意义。

本研究旨在构建和验证一种基于深度卷积神经网络的髋关节超声诊断模型，名为HipSonoNeuNet模型（HSNN）。该模型能够从动态视频图像中自动定位关键诊断平面，并进行髋关节异常的识别，包括完全脱位的髋关节。研究数据来自中国22家医院，涵盖3082名参与者，共计7286张髋关节超声图像，其中包含1429个动态视频和5857张静态图像。这些图像被划分为三个独立的数据集，分别用于模型训练、内部测试和外部验证。研究分三个阶段进行，第一阶段利用2431名参与者（其中非DDH病例1092例，DDH病例1339例）进行模型训练；第二阶段在500名参与者中比较不同经验水平的放射科医生与模型的诊断性能；第三阶段则在151名参与者中对模型进行前瞻性验证。

在第一阶段，HSNN模型在内部测试数据集上表现出优异的诊断能力，其曲线下面积（AUC）达到0.99，灵敏度为1.00，特异性为0.91，F1分数为0.90。这表明模型在识别DDH方面具有高度的准确性和可靠性。在第二阶段，模型在500名参与者中展现出与专家级放射科医生相当的诊断效果，AUC为0.99，灵敏度为1.00，特异性为0.94，F1分数为0.58，并且与专家之间的Kappa值为0.77，表明模型与专家之间存在高度一致性。此外，模型的辅助显著提升了7名初级放射科医生的诊断表现，其准确率从0.90提升至0.93，AUC从0.80提升至0.95，灵敏度从0.69提升至0.97，同时减少了检查时间并提高了观察者间的一致性。第三阶段的前瞻性验证显示，模型在外部数据集上仍保持了稳定的性能，准确率为0.92，AUC为0.99，灵敏度为1.00，与专家之间的Kappa值为0.76。

HSNN模型的设计特点在于其对动态视频图像的处理能力。传统髋关节超声诊断模型主要基于静态图像分析，而本研究的模型则结合了动态视频分析，从而能够从连续的影像平面中提取更多信息，更接近放射科医生的观察过程。通过分析连续帧，模型可以提高DDH的诊断精度。此外，模型采用了一种“OR规则”，即如果在关键帧中发现任何一帧为阳性，则整个视频被标记为阳性。这种设计提高了模型对时间相关事件的敏感性，确保了其在实际应用中的高效性。

HSNN模型的另一个重要优势是其高灵敏度和低误诊率。在内部和外部测试数据集中，模型实现了0%的误诊率，这表明其在识别DDH方面具有极高的准确性。然而，模型也存在一定的局限性，例如负样本和正样本之间的不平衡可能影响其对某些病例的预测稳定性，以及模型的数据来源主要来自中国医院，可能在其他地区或种族中表现不佳。此外，为了确保模型在资源有限的临床环境中具备实际应用价值，研究者对模型的大小和计算需求进行了限制。

本研究的成果表明，HSNN模型不仅在静态图像上表现优异，而且在动态视频图像中也能实现高精度的DDH诊断。这为那些专家资源紧张或医疗资源匮乏的地区提供了新的解决方案，能够提高放射科医生的诊断效率和诊断信心。未来的研究将进一步扩大样本量，增加更具挑战性的病例，并进行多中心验证，以优化算法并提高诊断的可靠性。

本研究的团队成员包括多位研究人员，他们在模型的设计、开发和验证过程中发挥了关键作用。他们共同构思了研究方案，撰写了并修订了研究论文，收集了内部训练数据，开发了深度学习模型和验证设置，并对数据进行了验证和分析。此外，研究团队还参与了多中心数据的收集和整理，确保了模型在不同地区和医院的广泛适用性。所有作者都审阅并批准了最终版本的研究论文，并对提交发表的决定负最终责任。

总之，HSNN模型的开发和验证为DDH的早期诊断提供了有力的工具。它不仅能够提高诊断的准确性和效率，还能减少对专家的依赖，特别是在资源有限的地区。未来，随着技术的进一步发展和应用范围的扩大，HSNN有望在临床实践中发挥更大的作用，为婴幼儿的健康保障提供更可靠的支持。