人工智能在膝關節MRI 診斷中的應用進展

林恒屹，馮仁海，尹彬彬，王柏森

由于解剖結構復雜而精細，膝關節是最容易受到嚴重損傷的身體部位之一。膝關節病變發病率高且具有致殘、致畸的風險，嚴重影響患者生活質量，并給社會、經濟帶來巨大負擔。精準判斷膝骨關節疾病進程及狀態，可有助于提供精準化、階梯化、個性化的治療方案。目前，磁共振成像（MRI）是評估和診斷此類疾病的標準臨床方法。通過對關節軟骨、骨、滑膜、半月板等結構的定量分析，可以了解關節的形態學和結構學變化，如軟骨退化、半月板損傷等，并評估疾病的嚴重程度。隨著計算機算力、算法等軟硬件水平的提升，以及醫學影像、生物樣本大數據時代的到來，人工智能在影像學組的應用特別是深度學習方法，已經在醫學影像領域取得了顯著成果[1]。人工智能技術為開展膝關節影像智能研究和膝骨關節炎智能評估提供了新思路，通過深度學習來改善圖像質量用以輔助診斷也有許多研究。

1 基本概述

1.1 影像組學概念 Lembin 等[2]在2012 年首次提出了影像組學（Radiomics）的概念。影像組學是一種利用醫學影像數據進行定量分析和模式識別的研究領域，它通過提取和分析醫學影像中的特征，結合機器學習和統計學方法，來研究和預測疾病的發展、治療效果和預后等方面的信息。影像組學可以幫助醫生更準確地診斷疾病、評估疾病的嚴重程度和預測患者的治療反應，為個體化醫療提供支持。

1.2 機器學習概念 機器學習是一種人工智能的分支領域，人工智能（artificial intelligence）是在1956年達特茅斯會議上麥卡錫首先提出的，它是研究、開發用于模擬、延伸和擴展人的智能的理論、方法、技術及應用系統的一門新的技術科學。機器學習通過讓計算機從數據中學習和提取模式，從而實現自主學習和預測能力的方法。它通過構建和訓練模型，使計算機能夠自動識別和理解數據中的模式和規律，并根據這些模式和規律做出決策或預測。機器學習廣泛應用于各個領域，如圖像識別、語音識別、自然語言處理、推薦系統等，為人們提供了更智能、高效的解決方案。機器學習也并不是足夠智能的，因為這個過程需要人類提供特征。

1.3 深度學習概念 深度學習是機器學習中的一個分支方法，避免了傳統方法中需要人工提取特征的問題，不需要區域標注，通常定位也能夠勝任。通過在訓練過程中同時進行特征提取、選擇和最終分類，從無數可能的規律中總結最顯著、最合適的特征完成預測。

1.4 卷積神經網絡（convolutional neural network，CNN） CNN 是一種深度學習模型，主要用于處理和分析具有網格結構的數據，是目前使用最多的深度學習算法之一，在醫學影像領域的應用也越來越廣泛。它通過使用卷積層、池化層和全連接層等組件來提取和學習圖像中的特征，通過共用卷積核和上下采樣等技術，大幅降低整個網絡的參數量，提高網絡的性能和效率[3]。

2 深度學習在膝關節MRI 分析與處理領域中的研究與應用

近年對深度學習在影像組學領域的研究也在不斷增多，其中MRI 圖像診斷的研究取得了一系列重要的進展。本文通過對美國國立衛生研究院（NIH）開發的數據庫Pubmed 平臺2021—2023 論文進行收集→篩選出MRI 與深度學習相關文獻→選擇其中針對膝關節的研究文獻→剔除部分綜述性文獻。通過對這些論文的歸納，可以大致了解深度學習在膝關節MRI 影像最新的研究方向。研究方向大致分為以下幾個方面。

2.1 基于MRI 圖像的組織智能分割研究 此類研究旨在開發出能夠準確、快速地將MRI 圖像中的不同組織結構進行分割的算法，以提高醫學影像診斷的準確性和效率。通過使用深度學習技術，研究人員可以訓練模型來學習MRI 圖像中不同組織的特征，并自動進行分割，膝關節的研究主要包括軟骨組織、骨組織、半月板韌帶等結構區分。Hong 等[4]通過采用多個卷積層和全連接層結構的多路徑CNN 構建人工智能圖像輔助模型，用于膝關節韌帶和股神經進行準確的分割圖像重建，ROC 曲線下的面積（AUC）為0.838，敏感性為0.800，特異性為0.836。

Si 等[5]、Szoldán 等[6]、Zhang 等[7]、Chadoulos 等[8]分別基于U-Net深度學習模型、深度卷積神經網絡、半監督學習（SSL）框架下兩階段多圖譜方法等人工智能模型，進行MRI 圖像中膝關節軟骨的分割，在戴斯相似性系數（dice similarity coefficient，DSC）、AUC 等評價指標上取得不錯的成績。更進一步的研究中，Khan等[9]首次嘗試在完全自動的情況下，使用多路徑CNN 和摳圖（image matting）算法來建模膝關節MRI的語義分割，通過低秩張量分解和重構、自動靜態圖像摳圖（trimap）算法和alpha 摳圖算法等技術，解決CNN 模型缺乏圖像特定的適應性（如組織對比度低和結構不均勻性）問題，在邊界和形狀一致性方面取得了更好的成效。

2.2 基于MRI 圖像的圖像智能降噪及掃描序列優化 傳統的掃描序列可能需要較長的時間來獲取高質量的圖像。通過使用人工智能技術，在圖像后處理過程中人工智能技術可以通過圖像重建和降噪算法來提高圖像質量；也可以優化掃描序列的參數設置，從而提高掃描效率，減少掃描時間，減少運動偽影的發生。Fayad 等[10]使用修改后的基于CNN 的U-Net 來創建合成的脂肪抑制磁共振圖像（AFSMRI），從單個非脂肪抑制的PD序列創建合成的脂肪抑制MR 圖像。AFSMRI 與傳統的3D MR 序列相比，在評估膝關節常見異常的診斷性能方面具有相似的檢測率，但該序列掃描時間減少54.5%。Kaniewska 等[11]運用螺旋槳采集技術（PROPELLER）與卷積神經網絡重建的結合序列進行膝關節成像，該序列可以同時減少運動偽影、圖像噪聲和掃描時間，該序列能夠將標準序列的平均采集時間減少60%，在評估膝關節病理方面表現出優勢，特別是對于評估髕骨軟骨的缺陷和軟骨剝離，在骨、脂肪和肌肉的信噪比和對比噪聲比方面也表現出顯著優勢。Wang等[12]、Kim 等[13]分別運用人工智能輔助壓縮感知（artificial intelligence assisted compressed sensing，ACS）技術對膝關節MRI 成像進行優化，利用深度學習增強和傳統重建技術，研究并行成像（parallel imaging，PI）和同步多切片（SMS）加速成像的各種組合。兩個團隊的研究結果都證明了新型的ACS 協議在圖像質量上都表現出優越性，并且在減少一半的采集時間的同時（Wang 等縮短56%，Kim 等縮短47%），能夠實現與結構異常的等效檢測。Iuga 等[14]以標準脂肪飽和2D質子密度（proton density，PD）序列為基礎，結合壓縮感知（compressed sensing，CS）和基于卷積神經網絡的深度學習算法（CS-AI）的新型算法來加速膝關節的二維診斷MRI 成像。研究結果顯示，CS-AI 加速的圖像在定性和定量方面都表現出優越的成像質量。Akai 等[15]同樣進行人工智能-輔助壓縮感知研究，團隊使用了壓縮感知與并行成像技術，在相位編碼中使用隨機欠采樣，然后使用小波變換實現壓縮感知以去除偽影。經過深度學習重建（deep learning reconstruction，DLR）優化后，掃描時間為100 s的優化圖像在噪聲、韌帶和半月板的可視化以及整體圖像質量方面均優于掃描時間390s的優化前圖像。

2.3 基于膝關節MRI 圖像的疾病輔助診斷研究 通過對膝關節MRI 圖像的分析和解讀，可以幫助醫生確定膝關節的病變類型、程度和位置，從而指導臨床治療和手術決策。研究涉及多種膝關節疾病，如半月板損傷、韌帶損傷、滑膜炎等。通過對膝關節MRI圖像的定量和定性分析，可以評估病變的程度、范圍和嚴重程度，為醫生提供更準確的診斷和治療建議。Awan 等[16]使用ResNet-14 卷積神經網絡模型，并結合實時數據增強技術，用于三類ACL 病變（健康、部分破裂和完全破裂）的檢測，研究者采用混合類別平衡和實時數據增強的策略來解決MRI 數據稀缺和類別不平衡的問題。根據實驗結果，通過敏感性、特異性、精確度、召回率、F1 值、接收器操作特征曲線（ROC）和AUC等指標廣泛驗證，平均準確率、敏感性和精確度分別達到92%、91%和91%。Dunnhofer 等[17]利用MRP Net 進行膝關節MRI 成像輔助診斷，該模組由金字塔細節池的特征金字塔網絡組成，其優點是可插入任何現有的基于CNN的診斷管道。通過插入不同模塊如增強CNN 的中間特征和詳細信息捕捉等進行效果驗證，在ACL撕裂和半月板撕裂的診斷方面都具有較高的準確性和敏感性，AUC 在0.87 ～0.97。它能夠更好地捕捉與這些損傷相關的特征，從而提高診斷的準確性。Zheng 等[18]運用基于低秩分解去噪的多模態MRI 成像算法，在診斷膝關節骨關節炎和軟骨病變方面的敏感性、特異性、準確性均較高，均超過0.85，一致性稍低（0.73）。Cui 等[19]使用深度學習算法在便攜設備上自動評估膝關節骨關節炎的嚴重程度，為便攜設備上的自動化評估提供了新的可能性。Zhuang 等[20]設計了一個聯合進行圖卷積和圖卷積的CSNet 模型，用于評估軟骨缺陷。CSNet 包含多個模型，如利用2D U-Net模型來提取局部外觀特征，SubdivNet 模型用于處理三角網格中的3D形狀，SDU-Net模型用于處理球面網格中的皮層表面等。相比于其他方法，CSNet 模型考慮了軟骨的曲面形狀和相鄰軟骨之間的缺陷相關性，因此在性能上表現更好。CSNet 的準確率（ACC）為87.4%，召回率（REC）為79.5%，AUC 為94.7%。

2.4 基于膝關節MRI 圖像的疾病風險預測研究此類研究的相關文獻較少，主要包括運動量、體質量控制、飲食習慣等因素的研究，或者探索早期干預和預防策略，預測膝關節疾病發展風險以延緩或預防膝關節疾病。Jamshidi 等[21]分別采取DeepSurv 模型、線性多任務邏輯回歸（MTLR）模型、神經網絡MTLR模型等分析MRI圖像中的特征，如骨髓病變（BMLs）、骨髓水腫等，預測膝關節骨關節炎（OA）是否需要全膝關節置換手術（TKR）以及何時需要進行手術，根據個性化治療建議為醫師提供指導。Ramkumar 等[22]運用邏輯回歸、高斯樸素貝葉斯等機器學習模型來分析預測術前影像、術前患者報告的結果測量和患者人口統計學特征與術后2 年臨床意義差異和顯著臨床益處之間的關系，以評估膝關節軟骨缺損患者進行骨軟骨移植術后的功能和生活質量。這些模型在預測術后結果方面表現良好，其AUC 在0.60 ～0.91。Zech等[23]基于DenseNet121 深度學習模型，從膝關節MRI成像中自動推斷小兒膝關節骨骼成熟度。

3 存在不足與未來展望

通過深度學習膝關節MRI 圖像完成圖像分類、目標檢測、圖像分割、加速數據采集等任務已經取得初步效果，各項評價指標數據向好，但是仍然存在許多困難。（1）數據量不足，由于數據的獲取和標注成本較高，很難獲得足夠的多樣化和代表性的數據集，一些模型研究樣本數量較少。數據可能出現模型過擬合，在訓練集上表現良好但在測試集上表現較差。同時深度學習模型需要實時獲取最新的數據進行訓練和推理，最好能夠接入醫院系統實現數據實時更新訓練。（2）模型泛化能力不足：膝關節MRI 圖像具有較大的變化和復雜性，例如不同掃描序列、不同病變類型和不同解剖結構等。在面對新的、未見過的數據時，可能會出現泛化能力不足的問題，導致模型在實際應用中的性能下降。（3）數據標注準確性缺乏標準。膝關節MRI 圖像的標注通常需要專業醫生的知識和經驗，而且標注過程相對耗時和繁瑣。人工標注就會存在主觀性和標注誤差的存在，而且大量的圖片采取人工標注將耗費大量人力。未來研究也將針對智能分割區域、圖像智能降噪和掃描序列優化、疾病輔助診斷等方向發展。通過數據增強、遷移學習、對抗訓練、模型集成、強化學習、解釋模型的決策過程和關鍵特征方面探索更多的深度學習模型和算法，追求數據的即時性，加強人工智能圖像的魯棒性，讓模型更具有普適性，從而提高診斷的準確性和效率。

利益沖突 所有作者聲明無利益沖突