作者：罗皓月，
发育性髋关节发育不良(developmental dysplasia of hip，DDH)是儿童常见骨科疾病，发病率1/1000~7/1000，延误诊断可致严重并发症而影响长期预后。近年人工智能(artificial intelligence，AI)广泛用于医学影像学领域，已成为早期辅助诊断DDH和预测疾病进展的重要工具；深度学习(deep learning，DL)为AI主要分支，可通过卷积神经网络(convolutional neural network，CNN)等算法于海量影像学数据中自动学习特征并提取髋关节定量参数、改善分割图像准确性。本文就AI用于影像学诊断儿童DDH 研究进展进行综述。
1. 诊断儿童DDH 方法
0~4月龄DDH 患儿股骨头次级骨化中心尚未出现，需依靠髋关节超声进行诊断；6月龄以上患儿股骨头开始骨化，临床常利用骨盆X 线片进行诊断；而对4~6月龄患儿应首选超声检查，诊断不明确时辅以X线摄片。CT及MR检查可通过三维重建技术全面评估DDH 髋关节畸形，但CT 有辐射，且均需麻醉，存在一定风险，多用于术前评估。
2. AI用于影像学诊断儿童DDH
AI早期主要通过图像处理技术辅助医师识别髋关节异常征象而诊断儿童DDH；随着DL 技术的进步，现有模型已能自动分析髋关节影像并生成诊断结果，可有效避免医师主观评因素的影响、大幅提高工作效率。
2.1 超声
利用Graf法可提取髋关节超声图像中的关键特征，如α角(骨覆盖角)、β角(软骨覆盖角)、股骨头覆盖率(femoral head coverage，FHC)及耻骨股骨距离(pubis femur distance，PFD)等。HUANG等基于内嵌DDHnet系统仅需1.1s即能于二维声像图中自动测量髋关节α角、β角、FHC及PFD，准确率达94%~98%，据此诊断DDH 效能优异，其敏感度、特异度及准确率分别为90.56%、100% 及98.64%。
张双双等报道，AI与人工测量DDH 患儿髋关节冠状切面β角、FHC及股骨头长径结果的一致性均良好，图像质量欠佳时应主要参考FHC 与股骨头径线进行诊断。评估二维声像图时，既往研究多通过半自动跟踪髋臼表面进行形状分类，或根据几何曲面的相对位置和参数诊断DDH。
SEZER等对Graf系统的分割和测量角度等步骤进行删减，利用DL技术提取形状和纹理特征以明确髋关节类型，其分类的精度、敏感度及特异度高达96.17%~98.02%。基于AI模型自动测量髋关节定量参数结果可靠，可有效减少人为测量误差，提高诊断儿童DDH 效率和准确性；通过预先以经过大量训练后的AI辅助诊断模型部署于便携式超声设备可实现大规模筛查新生儿DDH，有利于早期诊断。
传统二维超声仅能显示构成髋关节的部分平面结构。三维超声可更直观地评价髋臼和股骨头发育情况及髋臼与股骨头的位置关系，操作相对简单，是筛查儿童DDH 更为准确、可靠的方法；如HAREENDRANATHAN等开发的半自动分割技术快速生成三维髋臼表面模型能有效鉴别髋关节发育不良与正常髋关节。但高分辨率线性3D 探头成本过高，使其临床应用受限。如何降低成本、开发更高效、便捷的AI产品是未来早期筛查儿童DDH 的研究方向之一。
2.2 X 线片
部分研究采用DL模型图像处理技术自动检测X 线平片中的骨盆标志，根据
目前多数DL模型用于诊断或分类儿童DDH 具出良好效能。FRAIWAN等开发了13种深度迁移学习模型用于诊断儿童DDH，其中DarkNet53模型效能最高，其F1分数、精确率及召回率分别为95.0%、90.6% 及100%。XU等设计的AI系统可根据Tönnis和国际髋关节发育不良学会(International Hip Dysplasia Institute，IHDI)分型自动对6个月~3岁儿童DDH 进行分类，其性能与人工分类相当。但现有模型多来源于单中心数据、缺乏外部验证，未来研究应侧重于扩展数据集规模、应用增量学习方法在模型部署期间开发应用程序进一步改进系统，以提高AI诊断儿童DDH 效能。
融入多模态信息对此有所助益。SHIMIZU等基于骨盆X线片开发aaCM 自动测量算法，并与CNN 集成而建立双模态模型，其诊断儿童DDH 的效能优于高年资医师及单一CNN 模型；但该研究仅针对6月龄患儿，且数据集样本量较小。多模态数据可提供更全面的解剖和病理信息，有助于提高检出DDH精度；但实际应用时诊断结果的一致性及稳定性仍存在一定浮动。未来应进行全因素综合分析，深入探索模型与临床实践的结合，以推动其在实际诊疗中的应用，构建更完备、高效的诊断模型。
现有早期诊断儿童DDH 相关AI研究偏重于测量髋关节参数，却忽视了骨盆位置异常、图像质量欠佳等非标准X 线片对诊断结果的可能影响；如骨盆倾斜、旋转可影响CE角度，不加以纠正可能导致测量误差。为此有学者构建标准化判定模型评价骨盆X线片质量、骨盆矢状位倾斜、测量骨盆倾斜及旋转角度的准确性，以排除质量不佳的骨盆X线片，降低漏、误诊风险，同时减少因成像质量不佳而进行的重复摄片，提高诊断效率和准确性。
2.3 MRI
MRI可显示股骨头移位方向、程度及髋关节软组织。既往研究指出，DDH 髋关节软骨厚度与正常髋关节存在显著差异。XIA 等采用先进多图谱及主动形状模型(active shape model，ASM)法于三维髋关节MRI中自动分割髋部骨骼，并以之作为分割髋关节软骨的初始框架。在此基础上，ZHANG等以ASM 法于髋关节MRI中自动分割髋臼及股骨近端，构建CNN 模型自动测量髋关节形态学参数，显著提高了诊断儿童DDH 效率。
SCHMARANZER等利用DL开发的3D软骨全自动分割模型能提供准确、可靠的髋关节软骨形态学参数，有助于评估软骨损伤。MRI量化测量DDH 三维解剖信息尤为重要，显示髋关节软骨有助于揭示DDH 等髋关节疾病早期病理生理改变。AI用于髋关节MRI前景广阔，但目前可用于临床的产品尚少。期待随着技术发展，相关模型可用于研究更复杂的临床问题、具有更优异的泛化性能。
2.4 CT
CT可清晰显示股骨头与髋臼的位置关系，可通过测量股骨颈前倾角和髋臼前倾角评估髋关节；但有辐射且显示软组织结构欠佳，不宜作为早期诊断儿童DDH 的主要影像学方法。尽管如此，目前已有学者成功构建了自动分割髋关节CT 的AI模型。亦有研究发现，对育龄期髋关节疾病患者，基于三维重建MRI与CT 的DL 模型自动分割髋关节结构的准确性无明显差异。未来通过进一步改进设备及模型或可为髋关节CTAI模型诊断儿童DDH 提供更多依据。
3. 挑战和展望
DL受限于用于训练模型数据的数量和质量，缺乏足够规模的高质量训练数据集是现阶段开发AI模型面临的主要挑战之一。已有研究多为单中心、样本量相对小，通过多中心研究扩展样本量可进一步提高模型准确性、减少过拟合现象。值得注意的是，图像质量对于诊断儿童DDH 具有重要影响；开发实时评估图像质量的自动化分析技术有助于提前剔除低质量图像、确保图像完整性，现已逐渐用于超声和X 线相关研究。
缺乏标准化评估和验证流程为AI用于影像学诊断儿童DDH 的另一挑战。泛化能力是AI模型在不同人群、设备和临床环境下保持稳定和准确性的关键。未来研究可着重于加强数据标准化，建立更为标准化的样本数据库，同时不断优化AI算法，及时更新模型并加强外部验证。目前AI用于儿童DDH 的主要任务为图像分析。超声探头和机械臂极具应用AI潜力，
4. 小结
DDH 起病隐匿，早期诊断、治疗有助于改善预后。AI结合影像学是诊断儿童DDH 的趋势，但前提是能够满足大规模数据集和标准化成像协议的需求。现今AI用于影像学诊断儿童DDH 已取得显著进展，且在初级保健中利用AI增强便携式超声筛查工具检测婴儿DDH 具有可行性。未来AI诊断儿童DDH 模型将支持远程医疗服务，并通过不断优化先进算法使模型性能进一步适配医疗需求。
来源：罗皓月，陈欣，司佳珺，等.人工智能在影像学诊断儿童发育性髋关节发育不良中的研究进展[J].中国医学影像技术，2025，41(01):160-163.
(本网站所有内容，凡注明来源为“医脉通”，版权均归医脉通所有，未经授权，任何媒体、网站或个人不得转载，否则将追究法律责任，授权转载时须注明“来源：医脉通”。本网注明来源为其他媒体的内容为转载，转载仅作观点分享，版权归原作者所有，如有侵犯版权，请及时联系我们。)
