陳博 李穎智 唐雄風(fēng) 沈先月 郭德明 何猛 秦彥國(guó)

膝關(guān)節(jié)由骨骼、軟骨、韌帶、半月板等組織構(gòu)成，是人體最大、最復(fù)雜的關(guān)節(jié)之一，對(duì)維持人體的正?；顒?dòng)起到極其重要的作用。隨著生活水平的不斷提高，人們的運(yùn)動(dòng)和娛樂(lè)需求也越來(lái)越大，膝關(guān)節(jié)運(yùn)動(dòng)損傷的發(fā)病率也隨之上升。膝關(guān)節(jié)運(yùn)動(dòng)損傷多集中在軟骨、韌帶、半月板等軟組織，若診療不及時(shí)會(huì)引起膝關(guān)節(jié)穩(wěn)定性降低，加速膝關(guān)節(jié)骨性關(guān)節(jié)炎（osteoarthritis，OA）的發(fā)生[1]。核磁共振成像（magnetic resonance imaging，MRI）是膝關(guān)節(jié)疾病診療的重要影像學(xué)手段，臨床中常用于評(píng)估膝關(guān)節(jié)內(nèi)部疾病，尤其是軟骨、半月板、韌帶等軟組織的病變[2]。然而因膝關(guān)節(jié)解剖結(jié)構(gòu)復(fù)雜，臨床數(shù)據(jù)量大，低年資醫(yī)生和基層醫(yī)生診療經(jīng)驗(yàn)水平有限等因素[3]，在基層醫(yī)院針對(duì)膝關(guān)節(jié)疾病的MRI精確診斷水平尚待提升。近年來(lái)，隨著人工智能技術(shù)的快速發(fā)展，人工智能可在醫(yī)學(xué)圖像處理與分析領(lǐng)域幫助不同場(chǎng)景下的醫(yī)生提升診斷能力，提高工作效率。深度學(xué)習(xí)技術(shù)是計(jì)算機(jī)視覺(jué)領(lǐng)域最為先進(jìn)的圖像分析技術(shù)，自2017年開(kāi)始廣泛應(yīng)用于醫(yī)學(xué)領(lǐng)域，尤其是計(jì)算機(jī)輔助醫(yī)學(xué)影像診斷方向[4]。在該浪潮下，深度學(xué)習(xí)技術(shù)在對(duì)膝關(guān)節(jié)運(yùn)動(dòng)損傷的診療中已經(jīng)得到了初步的研究和應(yīng)用，但同時(shí)也面臨著諸多不足。本文就基于MRI的深度學(xué)習(xí)在膝關(guān)節(jié)運(yùn)動(dòng)損傷中的研究進(jìn)展進(jìn)行綜述，以期為從事相關(guān)研究的人員提供參考。

1 人工智能與深度學(xué)習(xí)

人工智能（artificial intelligence，AI）是研究通過(guò)計(jì)算機(jī)模擬人的某些思維過(guò)程和智能行為的一門(mén)新興技術(shù)科學(xué)。深度學(xué)習(xí)（deep learning）技術(shù)是AI 中的一個(gè)子類，是目前該領(lǐng)域最受關(guān)注的AI技術(shù)，其特征在于在學(xué)習(xí)過(guò)程中可以自行學(xué)習(xí)計(jì)算任務(wù)的特征并分析特征之間的復(fù)雜關(guān)系[5]。得益于醫(yī)學(xué)影像數(shù)據(jù)的增加和計(jì)算性能的提高，深度學(xué)習(xí)技術(shù)在醫(yī)學(xué)圖像分析領(lǐng)域得到了快速發(fā)展[6]。

卷積神經(jīng)網(wǎng)絡(luò)（convolutional neural network，CNN）是目前深度學(xué)習(xí)技術(shù)在醫(yī)學(xué)圖像分析中最具代表性的算法，其基本組成包括：輸入層、卷積層、池化層、非線性層、全連接層和輸出層[5]。目前，大多數(shù)研究集中在對(duì)圖像的分類、分割和檢測(cè)等任務(wù)，基于此也衍生出可實(shí)現(xiàn)不同功能的CNN 架構(gòu)，如ResNet、U-Net、VGG、AlexNet等。在醫(yī)學(xué)圖像分析領(lǐng)域的諸多研究均是基于上述CNN架構(gòu)進(jìn)行改良的[5,7-8]，在病灶識(shí)別、組織分割、疾病良惡性判斷等方面表現(xiàn)出與人類醫(yī)生相媲美的能力。

2 深度學(xué)習(xí)在膝關(guān)節(jié)運(yùn)動(dòng)損傷中的應(yīng)用現(xiàn)狀

2.1 深度學(xué)習(xí)與軟骨

OA 是關(guān)節(jié)軟骨慢性損傷的代表性疾病，軟骨退變是該疾病的特征性改變。膝關(guān)節(jié)作為人體最大的負(fù)重關(guān)節(jié)，是OA的常見(jiàn)發(fā)病部位，極易出現(xiàn)軟骨損傷[9]。MRI對(duì)關(guān)節(jié)軟骨的退變較為敏感[10]，因此臨床上一般使用MRI檢測(cè)軟骨形態(tài)并了解OA進(jìn)展[11]。為進(jìn)一步深入對(duì)OA疾病進(jìn)展的研究，需要對(duì)軟骨體積、軟骨厚度、軟骨表面面積和軟骨下骨總面積等參數(shù)進(jìn)行量化[12-13]。既往多采用手動(dòng)勾勒的方式對(duì)軟骨進(jìn)行分割，該方法精度較高但極為費(fèi)時(shí)。目前認(rèn)為的最佳方法是使用深度學(xué)習(xí)實(shí)現(xiàn)軟骨的自動(dòng)分割。Dice相似系數(shù)（Dice similarity coefficient，DSC）是評(píng)價(jià)兩個(gè)目標(biāo)重疊程度的指標(biāo)，常用于對(duì)分割結(jié)果進(jìn)行評(píng)價(jià)，其結(jié)果越接近1，代表模型的分割精度越高。

Prasoon 等[14]在2013 年便將深度學(xué)習(xí)應(yīng)用于膝關(guān)節(jié)軟骨分割，提出了一個(gè)基于三個(gè)平面的2D CNN 系統(tǒng)分類器，分別對(duì)應(yīng)MRI 圖像的3 個(gè)切面，在對(duì)114 例患者膝關(guān)節(jié)MRI 測(cè)試后，實(shí)現(xiàn)了對(duì)膝關(guān)節(jié)脛骨軟骨的高精確分割，DSC 達(dá)到0.825，該研究系首次在膝關(guān)節(jié)MRI 組織自動(dòng)分割中使用深度學(xué)習(xí)技術(shù)，為實(shí)現(xiàn)膝關(guān)節(jié)MRI 骨組織自動(dòng)分割提供了新思路。Liu 等[15]通過(guò)結(jié)合語(yǔ)義分割CNN 和3D 變形模型的方法，對(duì)膝關(guān)節(jié)軟骨和骨骼實(shí)現(xiàn)精準(zhǔn)、快速分割的同時(shí)又保持了較低的計(jì)算成本和極短的分割時(shí)間。Norman 等[7]選用U-Net 架構(gòu)的神經(jīng)網(wǎng)絡(luò)模型實(shí)現(xiàn)了對(duì)關(guān)節(jié)軟骨的自動(dòng)分割。該模型采用“端到端”的方法，通過(guò)骨關(guān)節(jié)炎倡議（osteoarthritis initiative，OAI）的數(shù)據(jù)進(jìn)行訓(xùn)練，在顯著縮短分割時(shí)間的同時(shí)對(duì)整體軟骨分割的平均DSC 也達(dá)到了0.867，實(shí)現(xiàn)了對(duì)膝關(guān)節(jié)軟骨的快速精準(zhǔn)分割，加快了臨床醫(yī)生對(duì)OA 患者的定量評(píng)估過(guò)程。Ambellan 等[16]提出了一種將3D 統(tǒng)計(jì)形狀模型（statistical shape model，SSM）[17]與CNN 結(jié)合的方法對(duì)膝關(guān)節(jié)MRI圖像進(jìn)行分割，其用于SSM 與CNN 訓(xùn)練和評(píng)估的數(shù)據(jù)集均來(lái)自O(shè)AI 數(shù)據(jù)庫(kù)和“segmentation of knee images 2010（SKI10）”挑戰(zhàn)賽數(shù)據(jù)集，模型精準(zhǔn)地分割了股骨軟骨和脛骨軟骨，其DSC 分別為0.899 和0.856。Gaj 等[18]使用CGAN 的網(wǎng)絡(luò)架構(gòu)，實(shí)現(xiàn)了較Ambellan 等[16]更出色的分割性能：平均DSC 為0.881。Ebrahimkhani 等[19]通過(guò)集成深度學(xué)習(xí)和傳統(tǒng)的機(jī)器學(xué)習(xí)技術(shù)提出膝關(guān)節(jié)軟骨分割的新框架JD-HCL，在使用CNN 的分割模型對(duì)關(guān)節(jié)軟骨進(jìn)行分割后通過(guò)手工制作的機(jī)器學(xué)習(xí)方法，利用先驗(yàn)知識(shí)解決邊界的不確定問(wèn)題，該方法在內(nèi)部數(shù)據(jù)集分割股骨軟骨的平均DSC 為0.925，分割脛骨軟骨的平均DSC 為0.870?；谏疃葘W(xué)習(xí)的膝關(guān)節(jié)軟骨分割方法的匯總?cè)绫? 所示。

表1 用于膝關(guān)節(jié)軟骨分割的深度學(xué)習(xí)方法

通過(guò)對(duì)膝關(guān)節(jié)MRI軟骨分割精度的不斷提高，一方面推動(dòng)了OA 進(jìn)展的研究，另一方面對(duì)MRI 圖像的定量化研究也具有十分重要的意義。未來(lái)，在膝關(guān)節(jié)軟骨分割精度進(jìn)一步提高的同時(shí)，應(yīng)進(jìn)一步關(guān)注OA 患者關(guān)節(jié)軟骨形態(tài)的動(dòng)態(tài)變化并據(jù)此制定相應(yīng)的OA分型，從而為OA的精準(zhǔn)治療提供依據(jù)。

2.2 深度學(xué)習(xí)與韌帶

前交叉韌帶（anterior cruciate ligament，ACL）損傷是膝關(guān)節(jié)最常見(jiàn)的運(yùn)動(dòng)損傷之一。ACL是維持膝關(guān)節(jié)穩(wěn)定的重要結(jié)構(gòu)，其損傷會(huì)嚴(yán)重影響患者的運(yùn)動(dòng)水平，并加速關(guān)節(jié)退變，嚴(yán)重可導(dǎo)致OA[20]。膝關(guān)節(jié)MRI 是臨床上用于診斷ACL 撕裂的主要方法，該過(guò)程需要放射科醫(yī)師逐張對(duì)MRI 圖像進(jìn)行分析，極為耗時(shí)。為提高醫(yī)師的診斷效率，學(xué)術(shù)界對(duì)深度學(xué)習(xí)在診斷ACL撕裂方面的應(yīng)用進(jìn)行探索。

2018年，Bien等[21]率先將深度學(xué)習(xí)模型用于對(duì)膝關(guān)節(jié)疾病的診斷，研究設(shè)計(jì)的MRNet將膝關(guān)節(jié)MRI的檢查結(jié)果分為三類：ACL撕裂、半月板損傷和一般異常（非ACL撕裂和半月板損傷的異常表現(xiàn)），該研究使用矢狀位T2加權(quán)、冠狀位T1加權(quán)和軸狀位PD加權(quán)圖像，對(duì)ACL撕裂的診斷任務(wù)在內(nèi)部驗(yàn)證集上的AUC 達(dá)0.965，在此基礎(chǔ)上對(duì)外部驗(yàn)證集測(cè)試的AUC為0.824，再次訓(xùn)練后提升至0.911。值得注意的是，在內(nèi)部驗(yàn)證集MRNet對(duì)ACL撕裂的檢測(cè)取得了很高的特異性，這表明在臨床工作中使用該模型可以有效排除ACL 撕裂可能的情況。Awan 等[8]利用3081 張MRI圖像使用基于ResNet-14的CNN模型對(duì)ACL的三種狀態(tài)進(jìn)行檢測(cè)：正常、部分撕裂、完全斷裂，使用的MRI序列為矢狀位的PD 加權(quán)脂肪抑制序列，結(jié)果顯示該模型在未經(jīng)任何數(shù)據(jù)處理的情況下檢測(cè)ACL 損傷的平均準(zhǔn)確率達(dá)0.810，AUC 達(dá)0.863，經(jīng)類平衡和數(shù)據(jù)增強(qiáng)進(jìn)行數(shù)據(jù)處理后，模型準(zhǔn)確率可以提升至0.920，AUC 提升至0.980。雖然目前在臨床上MRI對(duì)ACL撕裂的診斷表現(xiàn)良好，但其與關(guān)節(jié)鏡的動(dòng)態(tài)檢查相比仍有差距[22]。Germann 等[23]以關(guān)節(jié)鏡檢查作為金標(biāo)準(zhǔn)，通過(guò)構(gòu)建DCNN模型，使用脂肪抑制序列和快速自旋回波序列的冠狀位和矢狀位圖像檢測(cè)ACL撕裂，在內(nèi)部測(cè)試集中，該模型的AUC、靈敏度和特異性分別達(dá)到了97%、99%和94%。此外，為測(cè)試模型可推廣性，研究者對(duì)來(lái)自50 多個(gè)不同機(jī)構(gòu)的外部測(cè)試集進(jìn)行測(cè)試，結(jié)果顯示模型的整體診斷性能降低，作者推測(cè)可能是在構(gòu)建和訓(xùn)練模型的過(guò)程中僅使用了內(nèi)部數(shù)據(jù)集所致。Liu等[24]開(kāi)發(fā)了一個(gè)全自動(dòng)ACL撕裂檢測(cè)系統(tǒng)，該系統(tǒng)由三個(gè)獨(dú)立的CNN 組成：首先使用Slice Detection CNN（LeNet）篩選出包含ACL 層面的MRI 圖像，然后Ligament Isolation CNN（YOLO）使用矩形框裁剪出包含ACL 的髁間窩區(qū)域，最后Classification CNN（DenseNet）確定是否存在ACL撕裂，該系統(tǒng)在檢出ACL撕裂方面實(shí)現(xiàn)了與放射科醫(yī)生相當(dāng)?shù)脑\斷性能。此研究使用較少數(shù)據(jù)集（陽(yáng)性和陰性樣本均為175 例）便獲得該結(jié)果，作者將其歸功于對(duì)MRI數(shù)據(jù)的預(yù)處理：通過(guò)對(duì)MRI圖像的精準(zhǔn)裁剪使模型更加專注于ACL。同時(shí)，作者將DenseNet、VGG16 和AlexNet 等模型的分類性能進(jìn)行對(duì)比，結(jié)果顯示DenseNet在檢測(cè)ACL撕裂方面表現(xiàn)最佳?；谏疃葘W(xué)習(xí)的ACL撕裂檢測(cè)方法的匯總?cè)绫?所示。

表2 用于檢測(cè)ACL撕裂的深度學(xué)習(xí)方法

內(nèi)、外側(cè)副韌帶，后交叉韌帶等韌帶損傷也常見(jiàn)于膝關(guān)節(jié)的運(yùn)動(dòng)損傷，但目前缺少對(duì)ACL韌帶以外其他韌帶的研究?？紤]ACL撕裂時(shí)也常出現(xiàn)其他韌帶及半月板的聯(lián)合損傷，因此未來(lái)還需要逐步擴(kuò)大對(duì)韌帶的研究范圍，進(jìn)一步促進(jìn)深度學(xué)習(xí)在韌帶損傷診斷的應(yīng)用，使其真正服務(wù)于臨床。

2.3 深度學(xué)習(xí)與半月板

半月板撕裂也是膝關(guān)節(jié)常見(jiàn)損傷之一。半月板作為膝關(guān)節(jié)內(nèi)部的緩沖裝置，承擔(dān)了膝關(guān)節(jié)的部分負(fù)荷[25]。MRI可清楚地顯示半月板的損傷位置及形態(tài)[26]。目前，國(guó)內(nèi)外部分學(xué)者已經(jīng)開(kāi)展了基于深度學(xué)習(xí)診斷半月板撕裂的相關(guān)研究。

2018年，Bien等[21]構(gòu)建的MRNet可區(qū)分正常和撕裂的半月板，其模型的AUC、準(zhǔn)確度、靈敏度和特異性分別為0.847、0.725、0.710和0.741，然而，該結(jié)果依然遜色于參與研究的放射科醫(yī)生和骨科醫(yī)生（其平均準(zhǔn)確度、平均靈敏度和平均特異性為0.849、0.820 和0.882）。在2018 年10月法國(guó)放射學(xué)會(huì)舉辦的人工智能膝關(guān)節(jié)半月板撕裂挑戰(zhàn)賽中，Couteaux 等[27]通過(guò)Mask RCNN 對(duì)半月板撕裂進(jìn)行檢測(cè)，模型的AUC 可達(dá)到0.906，位列挑戰(zhàn)賽第一。然而上述研究使用的金標(biāo)準(zhǔn)均為專家對(duì)MRI的解釋，存在一定的系統(tǒng)誤差。2020年，F(xiàn)ritz等[28]使用深度卷積神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)了半月板撕裂的全自動(dòng)檢測(cè)，該研究基于關(guān)節(jié)鏡手術(shù)報(bào)告作為金標(biāo)準(zhǔn)，在內(nèi)側(cè)半月板撕裂的檢測(cè)任務(wù)上，模型的AUC 和精確度分別達(dá)0.882 和86%，相同指標(biāo)下對(duì)外側(cè)半月板撕裂的檢測(cè)結(jié)果分別為0.781和84%，整體上對(duì)診斷半月板撕裂的AUC 達(dá)0.961。Tack 等[29]設(shè)計(jì)了一種利用3D CNN處理任意3D MRI數(shù)據(jù)的程序，用于檢測(cè)半月板前角、體部和后角的撕裂，其對(duì)內(nèi)側(cè)和外側(cè)半月板的檢測(cè)效果達(dá)到了目前最先進(jìn)的結(jié)果：AUC分別為0.940和0.930，對(duì)整個(gè)半月板撕裂檢測(cè)的任務(wù)的AUC 為0.940?；谏疃葘W(xué)習(xí)技術(shù)的半月板撕裂檢測(cè)方法的匯總?cè)绫?所示。

表3 用于檢測(cè)半月板撕裂的深度學(xué)習(xí)方法

以上深度學(xué)習(xí)模型對(duì)半月板撕裂的診斷性能均接近于人類，但大多缺乏對(duì)半月板撕裂形態(tài)和位置的研究，若在此方面得到突破，將對(duì)于醫(yī)生選擇恰當(dāng)?shù)闹委煼绞骄哂惺种匾囊饬x。此外，現(xiàn)有研究多關(guān)注于對(duì)半月板損傷的診斷，缺乏對(duì)正常半月板形態(tài)的研究。過(guò)往因半月板的解剖學(xué)參數(shù)測(cè)量難度大、耗時(shí)長(zhǎng)等問(wèn)題而鮮有研究，深度學(xué)習(xí)的出現(xiàn)使此類問(wèn)題迎刃而解，將有助于對(duì)國(guó)人半月板形態(tài)參數(shù)與性別、體重之間關(guān)系的研究，從而加深對(duì)半月板的了解及對(duì)人工半月板的研究。

3 當(dāng)前問(wèn)題與展望

使用深度學(xué)習(xí)對(duì)醫(yī)學(xué)圖像進(jìn)行分析作為人工智能研究中的新興領(lǐng)域，為肌肉骨骼放射學(xué)的研究提供了更多可能性。在深度學(xué)習(xí)的輔助下，臨床醫(yī)師從影像數(shù)據(jù)中獲取的信息將更加完善，臨床工作效率將進(jìn)一步提高。然而目前基于深度學(xué)習(xí)技術(shù)對(duì)肌肉骨骼MRI的研究依然面臨使用MRI序列單一、數(shù)據(jù)來(lái)源單一等問(wèn)題，使得模型泛化性差，難以在臨床真正落地。在模型訓(xùn)練過(guò)程中使用多中心來(lái)源的數(shù)據(jù)是該問(wèn)題的解決途徑之一。其次，缺乏大規(guī)模有標(biāo)注醫(yī)學(xué)圖像數(shù)據(jù)的問(wèn)題也一直困擾著研究人員，研究顯示使用有限數(shù)量的含標(biāo)注圖像對(duì)模型進(jìn)行訓(xùn)練容易導(dǎo)致過(guò)擬合[30]。通過(guò)使用經(jīng)自然圖像或各種醫(yī)學(xué)圖像預(yù)先訓(xùn)練的算法[31]或人類先驗(yàn)知識(shí)的加入[32]可能會(huì)使該問(wèn)題在未來(lái)得以解決。另外，深度學(xué)習(xí)技術(shù)因其不可解釋性而被稱作“黑匣子”，使得難以被完全信任和接受，這也在一定程度上阻礙了計(jì)算機(jī)輔助醫(yī)學(xué)影像診斷的發(fā)展[33]。雖有學(xué)者通過(guò)GradCam的方法使用“熱力圖”提高了模型的可解釋性[34]，但目前對(duì)此的研究仍處于初級(jí)階段，還需進(jìn)一步的探索，從而加快對(duì)深度學(xué)習(xí)算法決策過(guò)程的了解，加深人機(jī)之間的信任。綜上所述，雖然深度學(xué)習(xí)技術(shù)在肌肉骨骼放射科領(lǐng)域的應(yīng)用還處在初級(jí)階段，尚無(wú)法融入到臨床實(shí)踐中，但其應(yīng)用前景依然樂(lè)觀，隨著研究的不斷深入，深度學(xué)習(xí)勢(shì)必會(huì)成為臨床醫(yī)師的得力助手。