基于U-Net的深度学习模型在拇外翻角和跖骨间角自动测量中的开发与验证

《Clinical Imaging》：Development and validation of a U-Net-based deep learning model for automatic measurement of the hallux valgus angle and intermetatarsal angle

　　

摘要

目的

开发并验证一种基于U-Net的深度学习模型，用于在负重位足部前后位X线片上自动测量拇外翻角（HVA）和第一二跖骨间角（IMA），并将模型性能与专家参考值进行比较。

方法

共获取1227张负重位足部前后位X线片。数据集分为训练集（n = 858）、验证集（n = 184）和测试集（n = 185）。对训练集进行数据增强，共得到10,296个样本。标注了六个解剖标志点以定义拇趾近节趾骨、第一跖骨和第二跖骨的骨轴。为进行时间验证，额外评估了同一机构获取的100张X线片。将基于U-Net的模型测量值与三位独立专家（两位足踝外科医生和一位肌肉骨骼放射科医生）获取的中位值进行比较。

结果

在时间验证队列中，AI模型与专家参考标准表现出高度一致性。对于HVA，平均绝对误差（MAE）为2.118°（95% CI：1.770–2.475），组内相关系数（ICC）为0.961。对于IMA，MAE为0.966°（95% CI：0.809–1.133），ICC为0.919。亚组分析显示，轻度、中度和重度畸形的准确性保持一致。

结论

所提出的基于U-Net的模型在负重位足部前后位X线片上提供了准确且可重复的HVA和IMA自动测量，与专家参考值高度一致。该方法可作为临床实践和研究中拇外翻标准化放射评估的实用工具。

引言

拇外翻是一种常见的足部前足畸形，其特征为拇趾外偏和第一跖骨内偏。¹ 拇外翻可引起疼痛、穿鞋困难、外观不满意及功能障碍。放射评估对诊断、严重程度分级、手术规划和术后评估至关重要。1., 2. 在现有参数中，拇外翻角（HVA）和第一二跖骨间角（IMA）是最常用的测量指标，是治疗方案选择和疗效评估的基础。2., 3., 4. 由于微小的角度差异可能改变畸形分类、手术规划或矫正效果评估，因此可重复的测量对于个体化患者护理和比较研究均具有重要意义。标准化测量还有助于在不同外科医生、医疗机构和随访间隔之间比较疗效。.

尽管HVA和IMA具有重要的临床意义，但在负重位X线片上手测仍存在局限性。该操作需要识别解剖标志并构建纵向骨轴，这可能耗时且受观察者经验、测量技术和畸形严重程度的影响。2., 3., 4. 尽管这些测量通常表现出可接受的可靠性，但观察者间和观察者内变异依然存在，可能影响系列随访和研究数据的一致性。3., 4., 5., 6. 当需要审查大型数据集或需要进行纵向评估的重复测量时，这些问题变得更加相关。

人工智能（AI），特别是基于深度学习（DL）的图像分析，在肌肉骨骼放射学中显示出日益增强的前景。⁵ 自动化方法可以提高效率、减少主观变异并支持标准化解读。⁵ 在拇外翻中，基于AI的测量尤其具有吸引力，因为HVA和IMA是常规使用的指标，且基于可识别的骨性标志。2., 5. 近期研究已证明使用DL模型进行自动拇外翻测量的可行性。6., 7. 然而，随着相关研究的积累，新模型临床价值取决于在临床相关条件下进行稳健验证，包括与专家参考测量的一致性以及在各种畸形严重程度下表现稳定。6., 7.

因此，我们开发了一种DL模型，用于在站立位前后位足部X线片上自动测量HVA和IMA。该模型检测对应于近节趾骨、第一跖骨和第二跖骨轴的六个解剖标志点，并据此自动计算HVA和IMA。本研究的目的是通过将测量值与专家参考值进行比较来评估该AI系统的准确性和可靠性。我们假设所提出的模型将与专家评估表现出高度一致性，并提供临床可接受且可重复的拇外翻放射学评估。

章节摘要

材料与方法

本回顾性研究方案经我院机构审查委员会批准。

时间验证队列特征

我们评估了100例患者的100张负重位足部前后位X线片（44例男性，56例女性；平均年龄46.4 ± 17.6岁），包括50只右足和50只左足。三位医生评阅者的手动测量结果显示HVA均值为15.1 ± 9.8°，IMA均值为10.5 ± 3.0°，参考标准定义为三位阅片者对每张图像测量值的中位数。

AI模型与专家中位参考值之间的一致性

在时间验证队列中，AI模型与三位医生中位测量值表现出高度一致性

讨论

本研究开发了一种基于U-Net的DL模型，用于在负重位足部前后位X线片上自动测量HVA和IMA，并针对专家共识参考标准验证了其准确性。主要结果显示，该模型提供了准确可靠的测量，HVA的MAE为2.118°，IMA的MAE为0.966°。相应的ICC值较高（分别为0.961和0.919），支持了我们关于所提出模型将达到高度一致性的假设

结论

所开发的基于U-Net的AI模型在负重位足部前后位X线片上自动测量HVA和IMA，与专家参考值高度一致。该模型在不同专家独立比较和不同畸形严重程度组间均实现了临床可接受的准确性和可重复的性能。这些结果支持AI辅助放射测量作为临床实践和研究中标准化拇外翻评估的实用工具的潜在作用。

CRediT作者贡献声明

Woo Young Jang： 撰写 – 初稿、验证、研究。Euddeum Shim： 撰写 – 初稿、验证、研究。Nahyun Kim： 撰写 – 初稿、软件、形式分析、数据整理。Jungkwon Uhm： 软件、形式分析、数据整理。Dong Hun Suh： 资源、研究、数据整理。Ji Hun Park： 资源、研究、数据整理。Gi Won Choi： 撰写 – 审阅与编辑、验证、监督、项目管理、方法论、研究，

利益冲突声明

我们无内容需要声明。

本研究未从公共、商业或非营利性部门的资助机构获得任何专项资助。

Woo Young Jang|Euddeum Shim|Nahyun Kim|Jungkwon Uhm|Dong Hun Suh|Ji Hun Park|Gi Won Choi

韩国国民大学安康医院骨科，韩国首尔