深度学习工具在全髋关节置换术脊柱-骨盆活动度临床验证中的突破性应用

《Scientific Reports》：Clinical validation of a deep learning tool for characterizing spinopelvic mobility in total hip arthroplasty

　　本研究针对全髋关节置换术(THA)中脊柱-骨盆活动度传统测量方法耗时、主观性强且易出错的问题，开发了一种集成图像分类、椎体检测和关键点检测的深度学习(DL)管道。该工具能够快速（1.96秒/图像）精准测量骨盆倾斜角(PT)、骶骨倾斜角(SS)和腰椎前凸角(LLA)，其准确性经临床验证与专家工程师相当（p>0.05），为THA患者提供了一种可扩展的自动化评估方案，显著提升术前规划效率和术后稳定性。

　　

在全髋关节置换术（Total Hip Arthroplasty, THA）领域，患者脊柱与骨盆的协同运动能力——即脊柱-骨盆活动度（spinopelvic mobility），已成为影响术后关节稳定性的关键因素。不理想的脊柱-骨盆活动度或显著的矢状面脊柱畸形，会显著增加THA术后关节脱位、假体撞击乃至翻修手术的风险。传统上，临床依赖站立位、屈曲坐位及对侧踏步位等功能性侧位X光片，通过手动标注关键解剖标志点来计算骨盆倾斜角（Pelvic Tilt, PT）、骶骨倾斜角（Sacral Slope, SS）和腰椎前凸角（Lumbar Lordotic Angle, LLA），以评估风险并指导假体定位。然而，这一过程高度依赖操作者的经验，不仅耗时冗长（约120秒/图像），且存在主观性强、易出错等问题，难以在临床常规中大规模应用。

为解决这一瓶颈，研究团队开展了一项创新性研究，开发并临床验证了一套端到端的深度学习（Deep Learning, DL）管道，用于自动、快速且精准地表征THA患者的脊柱-骨盆活动度。该研究发表于《Scientific Reports》期刊。

研究团队利用来自国际关节置换登记处（Corin Registry）的大规模、多中心影像数据库，该数据库涵盖11个国家、391个影像中心的超过38,000例THA数据。研究构建的DL管道整合了三个核心模块：首先，使用视觉变换器（Vision Transformer, ViT）模型对侧位功能X光片进行自动分类（站立、踏步、坐位）；其次，采用YOLOv8模型进行椎体检测；最后，利用一个六阶段的卷积神经网络（Convolutional Neural Network, CNN）进行解剖标志点检测。模型训练采用了大规模数据集（分类模型52,772张图像，椎体检测9,875张，标志点检测25,249张），并进行了严格的数据增强以提升泛化能力。

研究结果显示，该DL管道处理每张图像仅需1.96±0.04秒，图像分类和椎体检测的曲线下面积（AUC）等指标均高于0.994，表现出色。在关键的角度测量上，深度学习预测与人工标注的对比显示，PT的平均绝对误差（MAE）为1.6°±2.1°，SS为3.3°±2.6°，LLA为4.2°±3.2°。值得注意的是，PT和LLA的误差与三位专家工程师的标注结果无显著差异（p>0.05），仅在SS上存在0.5°的微小差异（p=0.043）。

临床验证环节进一步证实了该工具的价值。两位资深工程师和一位经验丰富的关节置换外科医生对深度学习管道和专家工程师标注的图像进行了盲法质量检查。结果显示，两者在标志点拒绝率上无显著差异（p>0.05），表明深度学习管道的输出质量与人类专家相当。

模型训练与收敛

所有模型均成功完成训练，并能处理全部测试集图像。标志点检测模型在训练过程中表现出良好的收敛性，热图从epoch 0的宽泛无差异逐渐聚焦到真实标志点区域，至epoch 50时已完全收敛。

图像分类与目标检测

图像分类模型在测试集上表现出近乎完美的性能，微平均和宏平均AUC、F1分数、敏感性和特异性均≥0.998。椎体检测模型同样表现优异，精确度-召回率曲线下面积（AUC-PR）为0.998，精确度和召回率均为0.994。

临床测量：DL管道与真实值对比

深度学习管道预测的PT、SS和LLA角度与真实值（专家工程师标注）的误差分析表明，PT的测量最为精确，但其误差受功能体位影响，站立位误差最低（1.2°±1.3°），而坐位误差最高（2.3°±3.2°）。SS和LLA的误差则不受功能体位影响。

DL管道与专家工程师对比

前瞻性研究中，三位专家工程师对同一组图像进行两次标注，结果显示PT的测量一致性最高（MAE 1.0°-1.8°），其次是SS（2.3°-2.5°）和LLA（2.6°-3.1°），组内相关系数（ICC）均≥0.99。将深度学习管道的结果与专家工程师的合并结果对比，PT和LLA的误差无显著差异，仅在SS上深度学习管道有0.5°的较高误差。

临床验证

资深工程师和外科医生对深度学习管道和专家工程师标注图像的盲法质检显示，两者的标志点拒绝率无统计学差异，证实了深度学习管道在临床实践中的等效性。

研究的讨论部分强调，PT测量的准确性最为关键，因其直接影响术前假体杯位置的规划。本研究认为站立位PT 2.5-3°的误差具有临床意义。深度学习管道在PT测量上的表现与既往研究相当或更优，其高效性（<2秒/图像）远超手动测量（约120秒/图像），为常规临床评估提供了可扩展的解决方案。研究的数据集因其大规模、多中心来源而具有显著优势，确保了模型的鲁棒性和泛化能力。

综上所述，本研究成功开发并临床验证了一种基于深度学习的图像处理管道，能够快速、准确地从侧位功能X光片中估算患者特异性的脊柱-骨盆活动度。这一工具解决了传统方法的主观性、低效性问题，其表现与人类专家相当，为全髋关节置换术的个性化、精准化术前规划提供了强有力的技术支持，有望降低因假体位置不佳导致的早期翻修手术风险，提升患者预后。