超声诊断技术用于婴儿发育性髋关节发育不良(developmental dysplasia of the hip，DDH)早期筛查，大大降低了DDH的晚期发病率及手术率。各地髋关节超声早期筛查模式不一，现有的检查方法自动化程度低，彻底推广工作量大。人工智能(artificial intelligence，AI)因其有基于机器学习与深度神经网络的图像特征提取能力，可以进行图像特征提取与识别，借助机械臂的应用能实现标准图像自动获取，AI在髋关节超声筛查中的机遇与挑战并存，为DDH超声筛查开辟新的途径。现有DDH图像的AI研究都是建立在髋关节未发生脱位的标准图像诊断方面，未解决动态图像中自动识别并捕获，也未实现脱位的髋关节图像特征判定与诊断。实现智能化的髋关节超声检查，需要解决机械臂的人工智能、图像识别与图像诊断的人工智能，研发髋关节超声检查机器人系统，建立同质化的筛查体系。本文就DDH早期超声诊断中的图像特征性判定、AI技术在髋关节超声图像中识别和测量及存在问题与关键技术突破解决方案进行分析探讨，以期为临床实践提供一定的指导。
版权归中华医学会所有。
未经授权，不得转载、摘编本刊文章，不得使用本刊的版式设计。
除非特别声明，本刊刊出的所有文章不代表中华医学会和本刊编委会的观点。
发育性髋关节发育不良(developmental dysplasia of the hip，DDH)是影响髋关节发育的常见疾病，指从髋关节稳定的轻度发育不良到半脱位，再到髋关节完全脱位的一系列异常[1]。DDH发病率为0.16%~2.85%[2]。DDH的发病原因尚不清楚，早期诊断、早期治疗已成为共识，也是避免或推迟后续发生骨性关节炎的关键[3,4,5]。随着超声诊断技术应用于婴儿DDH筛查，大大降低了DDH的晚期发病率及手术率。在瑞典、挪威等北欧国家，DDH筛查采用全面超声筛查模式，在出生后1~3 d或者在产房即对所有新生儿进行髋关节超声检查，由于超声检查应用于DDH的早期诊断，奥地利DDH晚期手术率由1991年的3.4%下降至2004年的0.13%[6,7,8]。美国、加拿大等北美国家，DDH筛查采用选择性超声筛查模式，也不同程度地降低了DDH晚期手术率[9,10,11]。选择性超声筛查会导致髋臼发育不良病例的漏筛或延迟诊断，有报道漏筛率高达85.3%，而延迟诊断会带来更高的手术治疗花费[12]。开展全面髋关节超声筛查工作量大，现有的检查方法自动化程度低，彻底推广需要大量人力资源投入，人工智能(artificial intelligence，AI)辅助诊疗技术的应用可能为DDH超声筛查开辟新的途径。本文就髋关节超声图像的特征、AI如何实现髋关节超声图像的自动识别与自动测量及其瓶颈问题进行论述。
超声波能穿透婴儿髋关节，形成不同强弱的回声，可判断其结构是否异常，是DDH早期诊断的主要手段。目前DDH超声检查方法有很多种，如Graf、Morin、Novick、Harcke等技术[13,14,15,16]。Graf采用标准化超声检查技术进行髋关节形态学检查，通过标准平面及一系列解剖标志进行分型判断，分为4个类型和多个亚型，检查结果具有可重复性。Morin是在冠状面超声图像的基础上采用股骨头覆盖率判断股骨头脱位程度，以股骨头覆盖部分与股骨头直径比例反映髋关节稳定性，但存在不明确的诊断范围。Novick采用多平面、动态的方法行髋关节超声检查，通过股骨头和髋臼的对应关系及髋关节稳定度进行分型，图像受检查者的主观影响较大。Harcke髋关节侧向横断面动态检查法，通过观察关节动态变化来判断关节的稳定性，操作方面更依赖检查者经验，特别在早期筛查中难以普及。Graf技术于1980年由奥地利医生Graf教授首先提出，对婴儿髋关节后期发育的评估具有重要意义，成为DDH早期筛查和诊断的首选方法[17]。
获取标准的Graf髋关节超声图像须满足8个解剖标志(骨软骨交界线、股骨头、滑膜折痕、关节囊、盂唇、髋臼软骨、髋臼骨顶、骨缘)与标准平面的3个标识点(髋臼底的髂骨支下缘、髋臼盂唇、标准髂骨中部的截面)，通过3个标识点，获取3条线(基线、骨顶线、软骨顶线)，测量骨顶角(α角)及软骨顶角(β角)，根据α角与β角结合婴儿月龄进行分型诊断。对于脱位的髋关节，由于股骨头偏离髂骨中部的截面，获取的图像不能满足8个解剖标志与3个标识点，也不能进行测量，需要通过软骨膜的形态判定是Ⅲ型或Ⅳ型髋关节，髋关节超声图像特征性判定是分型诊断的基础。
目前髋关节超声图像的诊断主要采用Graf技术，获取的是二维图像，检查结果有一定的偏差。Quader等[18]采用三维技术研究了40例婴儿髋关节，认为三维诊断技术偏差降低了70%，三维超声诊断技术可能是未来的发展方向。
在髋关节超声图像方面，获取的标准图像必须满足8个解剖标志与标准平面的3个标识点，才能成为标准图像，但当髋关节发生脱位时，图像则不能满足上述要素，获取的图像能否满足诊断是关键。在使用Graf技术对婴儿进行髋关节超声筛查中，机器学习也得到了广泛的应用。Quader等[19]提出了一种自动的α和β角计算系统，该系统基于包含骨骼和软骨结构近似常量声学特性的图像特征。之后，他们进一步使用了相同的特征来识别骨骼和软骨界限，然后计算了发育不良的关键衡量指标[20]。同年，Hareendranathan等[21]提出了一种用于骨表面的半自动追踪方法，基于此实现了对α角等参数的自动测量。Sezer等[22]使用粒子群优化方法确定初始曲线和感兴趣区(region of interest，ROI)的位置，使用统计水平集从ROI中分割关键解剖结构，以此来确定α和β角。然而，由于手工设计特征和工程实现的复杂性，传统的机器学习方法的准确性和稳健性受到限制。
近年来，深度神经网络因为其优秀的图像特征提取能力，也逐渐被探索应用于婴儿髋关节超声筛查中。2016年，Golan等[23]首次将深度卷积神经网络(convolution neural network，CNN)[24]应用在此方向，他们使用CNN划分了髂骨和肢下缘，从而实现自动计算婴儿超声图像中的α角。2017年，Hareendranathan等[21]设计了一个多尺度特征融合网络用于获取骨骼的概率图，以此分割髋臼轮廓。2018年，Zhang等[25]将ROI引入全卷积神经网络，将分割问题分解为联合检测和分割的过程，以改善髋臼的识别准确性。2019年，Sezer等[26]将分割后的图像片段输入CNN，以直接诊断出患儿的髋关节发育情况。同年，El-Hariri等[27]提出了一种基于特征的深度学习方法，该方法利用特征性提取的多通道输入来实现髂骨分割，结果表明：相对于手工制作特征的方法，深度学习方法大大提高了检测的准确性和速度，降低了异常情况的出现和失败率。2021年，Hu等[28]提出了一种多任务学习方法，使用基于区域卷积神经网络[29]与关键结构检测有效地学习了解剖结构与髋关节标识点的关系，提高了检测的准确性。
AI技术自动获取标准图像方面，Huang和Lan[30]将基于6自由度的机器人辅助医学成像方法用于乳腺的超声诊断，可以远程获取超声图像，但尚未实现获取图像的自动分析。在髋关节超声图像自动获取方面，借助机器人技术自动调整探头的位置及方向，从婴儿的随机性动作中自动识别标准图像仍然是研究的空白。
AI在影像方面的应用主要集中在诊断环节，多以单一疾病入手，以单纯图像训练为主。如肺结节检测及鉴别、脑卒中及阿尔茨海默病的诊断、骨折与骨龄检测、冠状动脉疾病检测及诊断、乳腺疾病检测与诊断等方面，机器人图像分析系统建立在大量标准数据库的基础上，标准的数据库及其兼容性决定其实际应用水平，虽然能够有效缓解医学影像学专业人员短缺、人工读片时间长，但是也存在识别标注困难、精准性差等问题。尽管AI的发展已经开始取代大部分人工操作及医疗手术，但在超声医学的应用处于起步阶段[31]。
在DDH的相关研究方面，广东省妇幼保健院研究了人工智能模型自动测量婴儿髋关节发育指标的临床应用价值，通过231例(462张)髋关节超声图像分析，认为深度学习的人工智能模型测量髋关节数据更接近高年资医生测量水平，可辅助超声医生进行临床早期筛查和诊断[32]。上海大学报道了基于两阶段元学习的深度排他用于DDH超声诊断[33]。其他研究方面，安徽省儿童医院实现了AI技术对X线图像进行分析诊断，但诊断的依据是依靠标准图像[34,35]。美国斯坦福大学的研究者提出了利用深度CNN实现基于Graf技术标准平面下的自动DDH分型计算，但是没有对如何获得标准平面，以及识别脱位的DDH进行研究[23]。也有学者提出了一种计算机辅助诊断的方法适用于DDH超声图像分割和自动分型，但同样也依赖于标准平面的预先确立[22,36]。哥伦比亚大学研究显示髋关节超声计算机图像分析技术自动识别的图像优于人工识别[37]。这些研究及实验结果表明，基于深度学习的CAD系统在DDH超声检测方面有着极高的应用价值和前景。但现有DDH图像的AI研究都是建立在髋关节未发生脱位的标准图像诊断方面，未解决图像获取与诊断智能识别及触觉感知等关键技术，尚未实现在动态图像中自动识别并捕获标准图像，特别对脱位的髋关节，在不能获取标准图像的前提下如何诊断尚待研究。
目前的研究尚未解决在机械臂引导下动态图像的识别捕获，也未实现脱位髋关节图像特征的判定与诊断。实现智能化的髋关节超声检查，研发相关的机器人系统，需要模拟出医生手臂的柔顺性和安全性、寻找目标的智能性，完成医生智能的建模；需要模拟出医生的大脑，研究人机系统中婴儿身体(主要是皮肤和骨骼)的力学特性、动作的干扰源模型，结合机电系统中感知元件、控制元件、执行元件的动力学特性，以婴儿安全、髋关节图像质量为基本约束，构建以响应速度为优化目标的系统模型，进而寻找系统的最佳动态耦合性能。实现这样的目标需要解决以下几个问题：①超声探头的人工智能，探头具有仿生功能，需要具备触觉感知、一次性耦合剂自动更换与清洁功能。在探头的触觉感知方面，通过力触觉、接近觉阵列传感器与关节力矩传感器，模拟医生的手臂，在探头接触婴儿时，传感器反馈信息给机械臂，使得探头与婴儿皮肤的接触面积与接触力量达到最优化；在耦合剂自动更换方面，实现检查前一次性耦合剂自动更换，检查结束后探头与检查部位的自动清洁和无菌化处理；②机械臂的人工智能，机械臂的人工智能主要解决的问题有超声探头未与婴儿皮肤接触前的路径规划、机器臂带动超声探头快速准确地接近婴儿髋关节检查部位、超声探头与婴儿皮肤接触后为获取标准图像探头位置的调整，获取标准图像需要机械臂引导调整探头的位置及方向，因此探头运动轨迹规划及实时自动调整非常关键。其中的难点和重点是如何解决接触后婴儿可能有随机性动作干扰成像质量，从婴儿的随机性动作中完成目标捕捉的动态人机耦合系统。实现这样的目标可以通过三层发育神经网络算法来提高机器人的决策与规划智能神经网络；③图像分析诊断的人工智能，在应用Graf髋关节超声诊断技术时，需首先确定包含3个标志的标准图像，再依据局部的解剖结构和检查标识点在标准面上划出基线、骨顶线和软骨顶线，从而计算角α和β角。如何通过机器学习模拟临床专家的解剖经验，构建出局部到整体的解剖结构认知，需要通过髋关节超声图像自动分割、解剖结构特征自动识别和自动角度测量等技术完成智能测量，实现髋关节超声图像解剖结构智能认知，完成图像的智能诊断。
AI发展已有60多年，特别在过去的几年中，基于深度学习自动提取图像特征的AI技术已广泛应用于肝脏、心脏、血管、甲状腺、乳房、肌肉等内脏器官及浅表结构的超声检查与诊断中[39]。但在婴儿髋关节超声诊断方面刚刚起步，图像的分析诊断仅限于建立在标准图像的分析诊断，通过人工获取的图像进行计算机分析与测量，但存在的问题是标准图像的获取仍不能同质化。对如何智能化获取标准图像的研究还没有实质性的研究成果，特别在对无法获取标准图像的脱位髋关节智能化诊断方面难度更大，相信随着研究不断深入，具备能独立完成检查诊断的髋关节超声机器人系统一定会呈现在大众面前。
所有作者均声明不存在利益冲突
