综述：人工智能在髌股关节参数自动测量中的性能表现：一项系统性综述

　　本综述系统评估了AI在髌股关节参数自动测量中的性能。研究表明，AI模型在测量股骨前倾角（ICC 0.900–0.940）、滑车沟深度（TGD，ICC 0.910–0.920）和胫骨结节-滑车沟距离（TT-TG，ICC 0.930–0.950）等方面表现出优异可靠性，并可实现88%准确度的滑车发育不良检测。AI技术显著提升了测量效率与一致性，展现了替代传统人工测量的临床潜力。

　　

髌股关节作为髌骨与股骨之间的滑动连接结构，其稳定性依赖于骨性结构与周围韧带组织的复杂相互作用。髌骨脱位作为骨科实践中最具挑战性的病症之一，主要影响青少年女性群体，患者常表现为反复脱位、膝前疼痛和髌股关节不稳，严重影响膝关节功能与生活质量。

近年来，髌骨脱位的解剖学危险因素已逐步明确，包括滑车发育不良、高位髌骨（patella alta）、胫骨结节过度外移、髌骨倾斜角增大以及股骨过度前倾等。临床评估往往呈现非特异性表现，需通过精确的髌股关节参数测量进行确诊。目前这些测量需由放射科医师或骨科专家手动绘制参考线和角度，存在耗时长、可重复性差且准确性高度依赖操作者经验的局限性。

研究方法与纳入标准

本研究通过系统性文献检索策略，对PubMed、Web of Science、Cochrane Library和Embase数据库从建库至2025年6月15日的文献进行全面检索。采用修改版MINORS（Methodological Index for Nonrandomized Studies）清单进行方法学质量评估。最终纳入19项研究，共包含10,490名患者，平均年龄51.3岁，女性平均占比56.8%。

多模态成像与AI技术融合

在成像模态方面，六项研究基于X射线片序列开发AI模型，九项基于计算机断层扫描（CT）成像，四项基于磁共振成像（MRI）。测量参数涵盖髌骨高度、滑车沟深度（TGD）、股骨前倾角、髌骨倾斜角、胫骨结节-滑车沟（TT-TG）距离、滑车发育不良评估等关键指标。

AI架构呈现多样化特征：U-Net网络在多数研究中成为主流选择（5/8研究），同时出现VGG16-XGBoost混合框架（Vidhani等）和U-Net/轮廓融合技术（Ridhma等）等创新方案。这些模型均展现出临床级测量精度（组内相关系数ICC>0.86；平均绝对误差MAE：0.18°–3.53°）。

髌骨高度测量的技术突破

八项研究致力于AI驱动的髌骨高度自动测量，覆盖X射线、MRI和CT多种模态。Adleberg等开发的关键点检测模型在X射线片上测量Insall-Salvati指数（ISI），实现2.57±2.44 mm的平均误差和强相关性（r: 0.82）。Barbosa等采用U-Net架构在MRI上同步测量四种指数（ISI/改良ISI/Caton-Deschamps指数/髌骨-滑车指数），ICC值均大于0.9，且实现亚毫米级 landmark 精度（髌骨顶点定位精度：0.63±0.34 mm）。

Kwolek等结合YOLO（You only look once）和U-Net算法，在X射线片上实现Caton-Deschamps和Blackburne-Peel指数的自动测量（ICC>0.80）。Liu等应用HRNet（high-resolution network）实现实时处理（31.8帧/秒），并在全膝关节置换术后病例中保持稳健性能（ICC 0.809–0.885）。这些技术进步显著提升了测量效率，其中Blaney等开发的半自动化MATLAB软件将测量时间减少50%，同时保持高组间可靠性（ICC: 0.89）。

滑车角测量的精准量化

八项研究开发了用于滑车角（SA）自动测量的AI系统。Barbosa等基于U-Net的膝关节MRI评估方案获得ICC 0.878和MAE 3.535°±2.944°。Tuya等在Laurin位X射线片上实现更优精度（ICC: 0.95；MAE: 1.53°）。Brehler等建立的CT方案达到亚毫米级精度（中位误差<0.18°），Liu等在全关节置换病例中使用ResNet50保持可靠性（ICC: 0.95）。

特别值得注意的是，Ridhma等结合残差U-Net与轮廓分析技术，实现MRI-based SA分类，在识别病理性SA（>145°）方面达到72%准确率。Cho等引入自组织映射（SOM）技术对发育不良的SA值（148°–163°）进行标准化调整（调整至133°–141°），为trochleoplasty手术矫正提供指导。

股骨前倾角的三维评估

四项研究专注于基于3D CT或MRI数据的股骨前倾角自动测量。Schmaranzer等采用U-Net流水线实施双方法分析（颈干法：12.9°±13.7°；头干法：27.4°±16.6°），处理时间低于3分钟，并与2D参考标准（Lee/Reikeras法）保持一致性。Vidhani等采用三阶段VGG16-XGBoost混合模型，在全膝关节置换患者中实现低于4°的精度（平均误差：3.72°±2.04°）和高分割保真度（Dice系数：0.96–0.99）。

Xiao等开发的nnU-Net方法通过统计形状建模实现近乎完美的可靠性（ICC: 1.0），在40秒内完成股骨前倾角测量，方法间差异极小（<0.25°）。Zhai等实施的3D U-Net工作流程展现1.62 mm的landmark定位误差和0.9004的ICC，为关节置换规划提供计算股骨坐标系支持。

髌骨倾斜角的动态分析

四项研究开发了AI增强的髌骨倾斜角测量方法。Blaney等的MATLAB半自动化系统通过标准化后髁线和髌骨landmark识别分析膝关节MRI。Tuya等利用U-Net架构自动化测量Laurin位X射线片上的外侧髌骨倾斜角，实现高精度landmark检测（在2-mm阈值下PCK>82%）。Forsberg等通过单时间点landmark传播实现半自动4D CT评估，覆盖屈伸活动全过程。Sieberer等采用商业AI算法生成股骨和髌骨landmark的3D矢量投影。所有方法均实现自动化角度计算，其中Blaney等和Tuya等的方案每例处理时间在10分钟内，Sieberer等的工具实现全自动化。

滑车沟深度的精确量化

四项AI系统专注于滑车沟深度（TGD）自动测量，在准确性和效率方面超越手动技术。Barbosa等采用基于U-Net的MRI流水线结合热图回归和高斯landmark检测（σ=1 mm），实现亚毫米精度（MAE: 0.50±0.45 mm；ICC: 0.918）并消除切片选择偏差。Blaney等推出的半自动化MRI工具具有高准确性（MAE: 0.14±0.54 mm；ICC: 0.92），在保持临床判别能力（△TGD=0.1 mm, P<0.001）的同时将测量时间减少50%。

Cho等提出结合自组织映射和3D形态分析的新方法，从发育不良解剖结构预测规范性TGD（平均误差：1.1–2.8 mm）。Xu等开发超快速热图-based系统，为TGD测量提供新的技术路径。

TT-TG距离的测量创新

三项研究开发了各具特色的TT-TG距离自动测量方法。Blaney等的半自动化MATLAB软件在膝关节MRI上实现亚毫米精度（平均差异：0.56 mm），具有极好的同时效度（r=0.95）和组间可靠性（ICC: 0.93），通过GUI引导的landmark选择将处理时间减少50%。Brehler等的基于图谱的CBCT算法展示无与伦比的准确性（中位误差：0.2 mm, ICC: 0.99），采用多阶段配准技术，超越人工读片变异性，每扫描分析时间仅2分钟。

Vidhani等的三阶段CT流水线结合VGG16-XGBoost分类（准确率：87.8%）和U-Net分割（Dice: 0.957），在关节炎膝关节中实现临床级一致性（ICC: 0.95，平均误差：2.34±1.53 mm），利用基于OpenCV2的投影技术实现无配准高效处理。

滑车发育不良的智能诊断

四项研究展示了自动化外侧滑车倾斜度（LTI）评估的稳健方法，与专家标注或放射科医师评估相比表现出优异可靠性（ICC: 0.86–0.91）。这些研究突出了包括全自动化、半自动化、高级定位和预测建模在内的互补策略，以提高LTI量化的准确性和标准化水平。

三项研究开发了专门用于量化滑车小关节不对称性的AI方法，相比手动方法展现出更优精度和临床效用。Cho等的SOM利用与发育不良无关的股骨参数预测规范性小关节对称比，与健康解剖结构达到91.9%的一致性，并通过3D形态分析将校正后对称性提高6个百分点。Liu等的ResNet50流水线结合自监督预训练和patch优化，在14,652例膝关节CT扫描中实现亚毫米精度（误差范围：0.20–0.26 cm）和优异可靠性（ICC: 0.95）。Xu等的热图回归模型通过MRI landmark自动计算小关节长度不对称性，具有 exceptional 精度（误差：0.05±0.03 mm）和完美的重测可靠性（ICC: 1.00）。

两项开创性研究通过独特AI架构革新了滑车发育不良评估。Xu等提出的基于U-Net系统在膝关节MRI上自动化评估滑车发育不良，实现亚毫米精度、高诊断准确性（敏感性：0.79，特异性：0.96，AUC：0.88）和快速处理（0.14秒 vs. 手动86–103秒）。在464例病例验证中，该系统降低了变异性并展现出强组间一致性（k: 0.76）。Cho等的SOM神经网络通过分析健康膝关节的28个解剖参数实现患者特异性手术规划，达到91.9%预测准确性，在标准化滑车角的同时将滑车深度增加2.2–5.2 mm（覆盖Dejour分型A–D型）。

技术局限与未来方向

尽管AI模型展现出显著优势，但在广泛实施前仍需解决若干关键问题。首先，放射学测量缺乏完美金标准，传统手动技术本身存在经验依赖性操作变异性，且缺乏可靠的误差源追溯方法。其次，许多AI模型中的自动landmark识别依赖于商业软件中的专有"黑盒"架构，随着核心算法迭代更新，需定期严格验证这些模块的持续有效性。

第三，深度学习算法可能偶尔无法识别解剖landmark，导致无法进行自动角度或距离测量而需要人工干预。理想情况下，AI系统应自动检测次优图像并提醒临床医生需要重复成像，但目前无法自动识别不充分图像仍是实现全自动化诊断的主要限制。

未来研究应优先考虑以下方向：AI模型应在多中心数据集上训练并经过严格外部验证以证明稳健性和泛化能力；研究应纳入更多髌股关节相关成像参数（如Q角）并利用三维成像技术实现更全面的解剖和功能评估；动态成像研究表明TT-TG距离随膝关节屈曲和胫骨旋转而变化，未来高性能AI算法整合混杂因素调整可能通过自动量化产生更精确的"标准化"值；必须严格评估放射学参数测量方法的有效性，在无效或方法学有缺陷的参数上实现最优自动测量性能的AI模型不提供任何临床效用。

临床转化前景

AI辅助放射科医师更准确、高效地检测髌股关节参数的时代即将来临。放射学参数的自动量化将减少手动测量固有的人为错误和变异性，这对髌骨脱位患者的全面评估至关重要。通过分析动态成像（如运动学MRI或不同屈曲角度的CT扫描），AI可以客观表征异常髌骨轨迹并量化全活动范围的不稳定性，解决静态成像可能忽略关键基线数据的局限性。

先进AI模型可整合这些精确参数进行多变量分析，实现个体化复发风险预测并指导针对性治疗干预。此外，AI模型可生成包含放射学参数测量的结构化报告，增强放射科医师与临床医生间的多学科沟通，同时促进患者对诊断结果的理解。

本研究证实AI模型能够达到与手动放射学测量相当的准确性，同时显著减少处理时间。基于AI的髌股关节参数测量展示出方法学稳健性和操作效率，与专家手动测量保持高度一致性。为进一步确立临床实用性，需要纳入严格外部验证方案的多中心前瞻性研究，此类验证将增强模型的泛化能力并促进其融入临床决策支持系统。