基于人工智能的逆向全肩关节置换假体品牌自动识别与不确定性量化研究

《Journal of Shoulder and Elbow Surgery》：Artificial Intelligence to Automatically Identify Reverse Shoulder Arthroplasty Implant Brands on Postoperative Radiographs Including Uncertainty Quantification

本研究针对逆向全肩关节置换术(rTSA)后假体品牌识别困难的问题，开发了基于EfficientNet的深度学习算法，能够自动分类8种常见rTSA假体品牌。该模型准确率达0.958，结合保形预测实现不确定性量化，每秒可处理45张影像，为翻修手术和影像登记库建设提供了高效解决方案。

　　

在肩关节外科领域，逆向全肩关节置换(reverse total shoulder arthroplasty, rTSA)已成为治疗严重肩关节疾病的重要术式。随着不同制造商的各种假体型号广泛应用于临床，一个看似简单却至关重要的问题逐渐浮现：当患者需要进行翻修手术时，医生如何准确判断体内植入的是哪种品牌的假体？这个问题看似简单，却直接关系到手术方案的制定和手术效果。

目前，临床上主要依靠医生主观评估术前X光片来识别假体品牌，这个过程既耗时又容易出错。特别是在患者原始手术记录缺失或无法获取的情况下，医生往往需要像"侦探"一样，通过仔细研究X光片中假体的细微特征来推断其品牌。这种依赖人工识别的方式不仅效率低下，还存在较大的主观性和不确定性。对于需要接受翻修手术的患者来说，准确的假体品牌识别是确保手术成功的关键第一步。

为了解决这一临床痛点，来自梅奥诊所骨科外科人工智能实验室(Orthopedic Surgery Artificial Intelligence Laboratory, OSAIL)的研究团队开展了一项创新性研究。他们开发了一种基于深度学习(deep learning, DL)的计算机视觉算法，能够自动识别X光片中的rTSA假体品牌，并首次在该领域引入了不确定性量化(uncertainty quantification)方法。这项研究最近发表在《Journal of Shoulder and Elbow Surgery》上，为肩关节外科的智能化发展开辟了新途径。

研究人员采用的关键技术方法包括：首先利用已开发的深度学习肩关节分类器，从5256张肩关节正位和腋位X光片中筛选出1368例接受rTSA手术的病例；然后由4名观察者按照8种rTSA假体制造商和型号品牌进行标注；最后基于EfficientNet架构训练深度学习分类算法，采用五折交叉验证，并应用保形预测(conformal prediction)进行不确定性量化。

方法

研究团队首先利用预先开发的深度学习肩关节分类器，从5256张包含前后位和腋位的肩关节X光片中，筛选出1368例接受过rTSA手术的病例。四名人类观察者对这些影像进行审阅，并按照八种rTSA假体制造商和型号品牌进行标注。所有标注后的影像被分为开发集和测试集，采用分层分割策略确保各类假体模型在两个集合中的比例保持一致。研究人员基于EfficientNet架构训练深度学习分类算法，采用五折交叉验证方法对八种假体模型进行分类，并应用保形预测进行不确定性量化。训练完成的深度学习算法和不确定性量化方法在测试集上通过计算准确率、F1分数、效率和覆盖度等指标进行评估。

结果

训练完成的人工智能算法平均准确率达到0.958，平均F1分数为0.946。应用保形预测后，平均覆盖度为0.978，平均效率为0.72。为最终模型生成的积分图显示，在进行预测时，加权像素集中在假体的关键特征周围，包括中心螺钉、关节盂球、肱骨托和柄端等部位。最终模型能够以每秒约45张图像的速度进行分类。

结论与讨论

本研究成功证明了基于深度学习的模型能够准确、高效地识别rTSA常用假体。这一自动识别流程特别有助于改善翻修rTSA的临床工作流程，并对放射影像登记库的构建具有更广泛的意义。研究首次在该领域引入不确定性量化方法，使模型不仅能够给出分类结果，还能评估结果的可靠程度，这对临床实际应用至关重要。算法的高效性（每秒处理45张图像）使其具备临床实时应用的潜力，而通过积分图可视化的决策过程增强了结果的可解释性。该技术有望在翻修手术规划、患者随访管理和放射影像登记库建设等多个场景发挥重要作用，推动肩关节外科向精准化、智能化方向发展。