基于人工智能的肩袖小撕裂术后结局预测：肱二头肌长头腱处理策略的决策支持

《Orthopaedics & Traumatology: Surgery & Research》：Predicting Postoperative Outcomes in Small Rotator Cuff Tears: An AI-Based Approach to Long Head of the Biceps Management

　　

摘要 引言：肱二头肌长头腱（LHB）在肩袖小撕裂中的处理策略仍存在争议，尤其是当该肌腱在宏观上表现为健康时。尽管对于病理性LHB常推荐预防性肌腱切断术（tenotomy）或肌腱固定术（tenodesis），但对于外观正常的LHB的决策过程仍不明确。本研究旨在开发并评估一种基于人工智能（AI）的模型，用于预测伴有外观健康LHB的肩袖小撕裂患者的术后结局，协助在保留与肌腱切断术之间进行决策。 方法：本研究为前瞻性、多中心、单盲研究，纳入199例肩袖小撕裂患者。收集术前临床、影像及关节镜数据。开发了一种深度学习模型，整合用于关节镜图像分析的卷积神经网络（CNN）与用于临床及影像数据处理的多层感知机（MLP），以预测术后24个月的Constant评分。将模型预测结果与传统统计学分析进行比较，并对保留健康LHB的患者以及功能结局较差（随访时Constant评分<70）的患者进行亚组分析。 结果：AI模型在91.4%的病例中准确预测了24个月时的Constant评分，平均预测误差为6.04分。在“保留健康LHB”亚组中，模型准确率为93%，平均偏差为5.45分。然而，在“保留健康LHB但失败”亚组中，准确率降至59.2%，平均偏差为18分。AI模型在8例病例中高估了结局（导致LHB被错误保留），在6例病例中低估了结局。 结论：结合关节镜影像与临床数据的AI模型能够以较高准确率预测术后Constant评分。然而，其在预测失败病例方面性能有限，尤其是在保留LHB后出现不良结局的患者中。尽管AI可能在临床决策中补充传统统计学方法，但仍需更大规模数据集及更精细变量的进一步验证，以增强其可靠性与临床相关性。 证据等级：III级；诊断性研究

基于AI的肩袖小撕裂术后结局预测：肱二头肌长头腱处理策略的决策支持——论文解读

一、研究背景与问题提出

肩袖手术近年来在手术技术与围手术期管理方面取得了显著进步，但肱二头肌长头腱（LHB）的处理策略，尤其是当该肌腱在关节镜下表现为宏观健康时，仍是临床争议的焦点。对于明确病理性LHB，文献支持行肌腱切断术（tenotomy）或肌腱固定术（tenodesis）；然而，对于外观正常的LHB，是选择保留还是行预防性肌腱切断术，目前缺乏共识。多项临床观察提示，在Constant评分相近的情况下，保留健康LHB的患者有时反而表现出更高的功能失败率，提示决策过程中存在被忽视的维度。近期研究进一步表明，在修复I期冈上肌腱撕裂时保留LHB会导致功能结局略差，且继发性肌腱切断术的再手术风险更高。因此，在治疗孤立性I期冈上肌腱撕裂时，即使LHB宏观表现正常，也建议予以切断。该研究显示，术后24个月时，LHB切断组的平均Constant评分（86.8±8.3）显著优于保留组（82.9±10.0）（p=0.003）。

人工智能（AI）凭借其在影像数据中识别细微模式并整合大量临床变量的能力，为应对此类临床困境提供了有前景的工具。关节镜手术尤其受益于基于AI的图像识别技术。深度学习方法的性能在肩关节镜诊断任务中已接近或超越人类专家水平，并有望通过整合广泛的个体化参数来优化治疗决策。

基于研究人员前期利用卷积神经网络（CNN）和多层感知机（MLP）对LHB状态（健康与病理）进行分类的工作，本研究旨在开发第二层级的预测模型，以预测伴有外观正常LHB的肩袖小撕裂患者术后24个月的Constant评分，并识别保留健康LHB可能导致不良结局（Constant评分<70）的高风险病例，为术前决策提供数据驱动的个体化依据。

二、研究设计与关键方法

本研究为前瞻性、多中心、单盲设计，共纳入199例肩袖小撕裂患者，所有患者LHB均被判定为宏观健康，其中40%的患者接受了肌腱切断术。研究构建了一个两层级AI模型：第一层级采用基于ResNet101的Mask R-CNN，通过迁移学习对关节镜图像中LHB及肩袖结构进行检测与定位；第二层级整合两个并行分支——基于ImageNet预训练的InceptionV3卷积神经网络（CNN）用于提取关节镜图像的像素级特征，以及多层感知机（MLP）用于处理临床与影像学结构化数据（数值变量归一化、分类变量独热编码）。两分支输出在含32个神经元的稠密层中融合，最终预测24个月时的Constant评分。模型总参数约2300万，但仅约59.2万个参数在本数据集上训练，其余参数冻结自预训练权重。采用5折交叉验证防止过拟合，每折以159例（80%）训练、40例（20%）独立验证，所有性能指标取5次迭代均值。基于预测评分与预设阈值（70/100），模型给出保留或切断LHB的建议。

三、研究结果

3.1 预测准确性

模型在总体队列中正确预测24个月（M24）Constant评分的比例为91.4%，实际评分与预测评分之间的平均差异为6.04分。

3.2 亚组分析

在“保留健康LHB”亚组中，AI模型准确率达93%，平均偏差为5.45分。在“保留健康LHB但失败”亚组（即LHB初始判定健康并保留，但24个月随访时Constant评分低于70分的患者）中，模型准确率降至59.2%，平均偏差增至18分，仅略优于随机水平，未能超过人类操作者的表现，也未识别出任何预后因素。

3.3 错误分析

总体队列中14例患者（8%）出现显著预测偏差，偏差范围达12分（-45至+14）。其中8例实际Constant评分<70分但被AI高估，属于“严重错误”，因为预测结局过于乐观，可能导致LHB被错误保留；另外6例被低估（如预测75分而实际90分），术后表现为“意外惊喜”。

四、讨论与结论

研究人员指出，尽管AI模型总体预测准确率超过90%，平均误差约6分，但肩袖手术结局解读的最小临床重要差异（MCID）为12分。本研究中AI模型识别出的两组间6分差异低于MCID阈值，不具临床意义，因此该模型对于肱二头肌处理这一具体问题未能提供有临床价值的预测效能。此外，深度学习架构固有的“黑箱”效应限制了模型对个体变量贡献的直接解释能力，未来引入SHAP值或Grad-CAM等可解释性工具将有助于提升临床实用性。

AI模型的结果与传统统计学分析高度一致——后者同样显示保留健康LHB的结局略差。这种一致性在预期之内，因为AI模型基于同一数据集训练。AI在此并非提供全新预测洞见，而是验证了既有统计学发现，可作为临床研究的补充工具。

研究局限性包括：样本量不足以覆盖患者与肱二头肌病理的完整异质性；关节镜图像数据库相对较小，未能反映手术技术与解剖变异；尽管采用迁移学习，模型仍易过拟合；单盲多中心设计降低了但未消除偏倚风险，需在更大规模、更多样化人群中进行外部验证。

结论：结合关节镜图像分析与临床数据的AI模型在总体队列中以91.4%的准确率和平均6分的预测误差预测了24个月时的Constant评分。在保留LHB后仍出现功能失败的亚组中，模型性能显著下降（准确率59.2%，平均偏差18分），凸显了当前可用预测变量对这一高风险人群的局限性。从临床角度看，该模型为肩袖小撕裂且LHB宏观健康的患者提供了术中在LHB保留与肌腱切断术之间决策的支持工具，补充了组级统计学发现，提供个体化预测，旨在标记“高风险”患者——即保留外观健康LHB可能导致次优结局、应考虑预防性肌腱切断术的患者。模型的主要局限在于8例高估错误，需纳入额外变量（软骨状态、心理社会因素、动态超声参数）并在更大规模、更多样化队列中进行外部验证。