综述：风湿性肌肉骨骼疾病手部影像学的算法研究：系统性文献综述

这篇综述系统评估了机器学习（ML）在风湿性肌肉骨骼疾病（RMDs）手部影像中的应用，涵盖骨关节炎（OA）、类风湿关节炎（RA）和银屑病关节炎（PsA）。研究指出卷积神经网络（CNN）是主流算法（50%），但外部验证率仅15%，数据共享不足（6%）。未来需加强跨疾病验证和可解释性工具（28%）以推动临床转化。

　　

Abstract
机器学习（ML）在风湿性肌肉骨骼疾病（RMDs）手部影像中的应用正迅速崛起。系统性综述显示，尽管类风湿关节炎（RA）占据研究主导（88%），骨关节炎（OA）和银屑病关节炎（PsA）的覆盖率明显不足。卷积神经网络（CNN）以50%的使用率成为首选算法，但仅15%的研究进行外部验证，公开数据集更稀缺（6%）。可解释性工具的应用（28%）为临床决策提供了透明性，但跨中心验证和数据共享仍是瓶颈。

Introduction
手部RMDs的鉴别诊断充满挑战：OA好发于远端（DIP）和近端指间关节（PIP），RA则累及腕关节和掌指关节（MCP），而PsA表现异质性更高。ML通过分析X线（59%）、MRI（16%）等影像数据，不仅能区分疾病亚型，还能量化结构损伤。可解释性AI技术（如梯度加权类激活图）揭示了模型关注区域，助力医生理解算法决策逻辑。

Methods
基于PRISMA指南的文献筛选从400篇中锁定32项合格研究。AI工具BiBot辅助检索发现1篇遗漏文献。纳入标准聚焦ML在OA、RA、PsA的应用，排除非手部关节研究。

Results
RA研究压倒性领先，OA（22%）和PsA（9%）明显不足。CNN主导算法市场，随机森林和支持向量机（SVM）次之。X线仍是主力影像，但MRI和超声的潜力待挖掘。令人担忧的是，仅6%研究公开代码或数据，严重制约可重复性。

Discussion
2021年后ML研究激增，但三大短板凸显：1）RA-centric研究忽视OA/PsA需求；2）验证多限于单中心；3）临床转化需更紧密的医工协作。晶体性关节炎（如痛风）的ML研究更是空白。

Conclusion
未来应建立多病种联合数据集，开发轻量化模型，并通过联邦学习解决数据隐私问题。只有攻克验证关和数据共享关，ML才能真正成为风湿科医生的"数字听诊器"。

Declaration of competing interest
作者披露了与药企（如辉瑞、诺华）及AI公司（GLEAMER SA）的合作关系，但声明不影响研究客观性。

Funding
研究受法国国家科研署（ANR）等资助，部分作者获得企业差旅支持。