作者：兰州大学第二医院骨科 王炎明
人工智能（AI）是涉及理论、方法、技术和应用系统开发的新兴技术科学，致力于模拟、增强及扩展人类智能。其核心技术包括计算机视觉、机器学习、自然语言处理、机器人技术、生物识别及语音识别等。运动医学综合了骨科学、创伤学、康复学和运动学等，是目前临床医学领域快速发展的新兴交叉学科。随着大数据时代的来临，医学和工程学科的交叉越发紧密。近年来，机器学习在骨科领域中的应用呈现了指数式增长，特别是在运动医学领域，得到了广泛应用，为疾病的影像诊断、治疗和预后提供了强大助力。本文主要就AI中机器学习在运动医学疾病发生风险预测、影像诊断、术后疗效及并发症预测中的应用进行综述，以期为临床决策提供新的参考和思路。
AI在预测疾病发生风险中的应用
早期筛查可以大幅度降低运动医学疾病的发病率和手术率，基于对人群运动状况的评估和影像学、
AI在疾病影像诊断中的应用
运动医学疾病的诊断依据主要是影像检查，包括X线片、CT和MRI。基于影像学图像的诊断方式存在一定主观性，医师的水平影响诊断准确性，而人工智能可按既定程序运行，进而避免主观性影响。随着机器学习和深度学习的快速发展，AI在影像诊断方面展现出了广阔的应用前景。Shim等提出了基于深度学习算法的卷积神经网络（CNN）模型对RCT进行诊断和分类，并与骨科医师进行比较。共纳入2124例患者的肩部MRI，结果显示，模型诊断准确率、灵敏度和特异度分别为92.5%、0.94和0.90，而对RCT进行分类对应的各项数值分别为87.5%、0.92和0.86，该模型诊断和分类RCT的性能均优于骨科医师。Lin等的研究显示，深度学习模型诊断冈上肌、冈下肌和肩胛下肌腱撕裂的AUC分别为0.93、0.89和0.90。对于影像诊断较为困难的髋关节盂唇损伤，深度学习作为辅助诊断手段发挥着更大作用。Ni等通过迭代1016例患者的髋关节MRI来建立CNN诊断模型，其诊断和分型的准确率分别为94%和92%，而放射科医师则分别为85%~92%和78%~94%。在膝关节运动损伤影像诊断上，AI也显示出巨大潜力。Hung等开发的CNN模型训练了584张膝关节半月板撕裂的MRI，并进行了外部验证，结果显示，模型准确率为96%，外部验证准确率为79%。而在另外一项研究中，深度学习模型诊断半月板撕裂的AUC为0.90。除此之外，Cheng等基于526例患者的膝关节MRI开发了机器学习模型，用于ACL撕裂的自动诊断，结果显示，模型的AUC为0.93，灵敏度为0.86，特异度为0.83。此外，在踝关节运动损伤领域，Ni等使用1074例患者的踝关节MRI训练、验证和测试CNN模型自动诊断跟腓韧带损伤，结果显示，模型区分完整、部分撕裂和完全撕裂的跟腓韧带的准确率分别为95%、97%和96%，而在外部验证中，该模型达到了与资深放射科医师相同的诊断性能。Astolfi等则使用132例患者的踝关节MRI，采用一系列机器学习算法，建立踝关节距腓前韧带损伤诊断模型并与临床医师进行比较，结果显示，该模型诊断准确率为85%，比临床医师的分析提高了22%。
上述研究结果显示，AI对于运动医学疾病的诊断性能与临床医师或放射科医师相似，而在识别更隐匿的疾病方面，如髋关节盂唇损伤，其效率和诊断性能更佳。随着算法效率和影像数据量的提升，AI模型的精度也将得到进一步提高，辅助临床医师确定诊疗方案，进一步优化医疗资源分配，带来巨大的社会和经济效益。
AI在预测术后疗效中的应用
机器学习具有很强的自组织、自适应和容错能力等特征，与传统用于预测术后疗效的逻辑回归或线性回归方法不同，机器学习算法在识别非线性问题上有很强优势，可以提高预测的准确率。而运动医学疾病的复杂性决定了术后准确预测疗效非常困难。近年来，一些研究逐渐将机器学习应用于运动医学疾病术后疗效的预测。Potty等采用机器学习算法来识别肩袖修复术后患者功能恢复的预测因素，通过机器学习模型产生预期的美国肩肘外科医生协会（ASES）评分并与实际的评分进行比较。结果显示，术后12个月时，极端梯度提升算法67%的预测值达到最小临床重要差异（MCID），而87%的预测值达到了实质性临床获益（SCB）。SHAP解释器确定术前ASES评分、术前疼痛评分、
此外，在预测ACL重建术后疗效方面，机器学习也有着较高的准确性。Ye等利用机器学习算法，构建了ACL重建术后临床结局的预测模型，结果显示，未达到Lysholm评分的MCID的AUC和准确率为0.93和91%；未达到国际膝关节文献委员会（IKDC）评分的MCID分别为0.94和95.1%。SHAP解释器确定术前Lysholm评分和IKDC评分较高，可高度预测未实现患者报告结局的MCID。面对复杂多元的临床数据，AI可以对数据进行清洗处理，获得同质化数据，通过对运动医学疾病患者的术前评估结果来预测术后功能恢复情况。但是，目前相关研究仍面临着研究多为回顾性、单中心，未纳入的潜在变量较多和模型缺少外部验证的问题。今后，随着相关临床研究的广泛开展、长时期大样本量数据库的建立和多中心合作的展开，AI模型的普适性将得到显著提高。
AI在预测术后并发症风险中的应用
随着人工智能在医疗领域应用日趋广泛，在运动医学疾病术后并发症的预测方面，AI也愈发显现出积极的作用。在上肢方面，Cho等使用机器学习算法对580例患者的1394张关节镜图像进行训练、验证和测试，结果显示，密集连接卷积网络模型的AUC为0.92，准确率达到了91%；而另一项研究则显示，年龄、残端分类和撕裂大小是重要的预测因素。在下肢运动损伤方面，Haeberle等开发了基于随机森林算法的预测模型来评估股骨髋臼撞击综合征患者术后再次翻修的风险，结果显示，模型的AUC为0.77，准确率为76%，体重指数较高和术前HOS-ADL评分较低是重要预测特征。Martin等利用机器学习算法构建了ACL重建术后再撕裂的预测模型，结果显示，模型预测准确率为69%，外部验证准确性率68%。此外，该研究还确立了移植物选择、股骨固定器械、手术时功能评分、损伤至手术时间和手术时年龄为预测的重要因素。此外，Jur⁃gensmeier等开发了4种机器学习模型来评估ACL重建术后继发半月板损伤风险，结果显示，最佳算法为随机森林，AUC为0.79，4种模型的预测性能均优于传统逻辑回归，确立了恢复运动时间较短、受伤时视觉模拟评分较低、受伤至手术的时间增加、受伤年龄较大和近端ACL撕裂为5个主要危险因素。而Lu等采用随机森林算法模型来预测ACL重建术后发生创伤性
通过AI模型对运动医学疾病术后并发症发生风险的预测及危险因素的识别，临床医师可以为患者提供个性化的术后护理，降低并发症发生率。然而，当前部分AI模型存在预测准确率不高的问题，究其原因，主要是研究多为回顾性、随访时间短、样本量小和缺少外部验证。今后，临床工作者应开展前瞻性研究、建立大规模长时间的临床数据库并增加外部验证步骤，以建立性能更优、适用范围更广的AI模型。
小结与展望
综上所述，近年来，随着计算机技术的不断发展和医工交叉的融合创新，AI在运动医学领域得到了越来越广泛的应用。在运动医学疾病的发生风险预测、影像诊断、疗效预测和术后并发症风险预测方面都发挥着重要作用，有着良好的性能。但是，正如之前研究所注意到的，临床实际情况较为复杂，AI算法可能会过度拟合数据，导致“数据中的虚假相关性”，尽管算法具有预测能力，但“精确预测出的预测因子”并不是真实的原因。此外，当前研究仍存在一些问题，如多为回顾性分析、随访时间短、数据样本量有限和缺少外部验证等。但是，随着技术的进步、样本量及随访时间的增加和研究的规范，AI的准确性和适用性将会得到进一步的提高，将有更加广阔的应用前景。
来源：中国矫形外科杂志2025年5月第33卷第9期
(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。)
