作者：华中科技大学同济医学院附属梨园医院骨科      辛永辉

人工智能（AI）是指通过计算机模拟人类智能行为的技术，其核心技术包括机器学习（ML）和自然语言处理等。运动医学是一门结合骨科学、运动科学和康复学的新兴学科，正在飞速发展。随着人们对运动损伤和关节慢性疾病的重视与日俱增，运动医学的快速发展迫切需要AI为其提供更加精准与高效的疾病诊疗模式。目前，以深度学习（DL）模型为代表的AI已经初步应用于运动医学的损伤预防、疾病诊断、手术规划及术后康复等方面，但仍存在如样本数据量有限、模型缺少外部验证以及不适用于临床等问题。因此，本研究综述了近年来AI在运动医学的具体应用，旨在加深我们对运动医学疾病诊疗的理解，最终为更有效的临床应用奠定基础。

人工智能在运动损伤预防中的应用

AI技术在运动损伤预防中发挥了关键作用。人体运动动力学测量结合智能软件有望便利地预测大众受伤风险或肌肉骨骼疾病进展等结果，并得到普及。对于专业运动员，结合ML算法和可穿戴式设备，AI可实时监测运动数据，提供反馈，帮助纠正动作，降低损伤风险，提升运动员表现。Uhlrich等介绍了OpenCap，一种基于网络的开源软件工具，结合了计算机视觉（CV）、ML和肌肉骨骼模拟方面的进步，可以准确预测动态指标，如肌肉激活、关节负荷和关节力矩，这些指标可用于预测受伤风险，并且在大规模研究或临床实践中量化。通过一项涉及100人的实地研究展示了OpenCap的实际效用，其中使用OpenCap的临床医生对肌肉骨骼动力学的评估速度比基于实验室的方法快25倍，而成本不到1%。除此之外，VANHooren等研究了市售的仪表鞋垫来预测常见跑步损伤部位肌肉骨骼负荷的准确度。在不同条件下，模型脉冲和预测脉冲之间的个体内平均相关性通常接近完美，髌股、胫骨和跟腱应力/应变脉冲的相关性分别为0.92（0.89至0.94）、0.95（0.93至0.96）和0.95（0.94至0.96）。这种开发的模型可以量化现场组织负荷和实时组织负荷反馈，以降低受伤风险。与以前的可穿戴预测模型相比，该研究同时预测三个常见损伤位置的组织负荷，而不是大多数先前研究中的一个位置，以及添加加权负荷指标以更好地反映组织疲劳寿命，从而反映损伤风险。AI可以通过动态指标、监测可穿戴设备运动数据等为运动损伤做出准确预测，但预测模型仍存在预测变量过多、样本量不足等问题。未来，随着AI与多中心研究在大数据分析方面的不断进步，相信预测模型会具备更佳的可操控性与稳定性。

人工智能在运动医学疾病诊断中的应用

在诊断运动医学疾病时，传统影像学检查如MRI、计算机断层扫描（CT）可能存在检查耗时、分辨率限制、动态评估能力不足、早期病变检出率低、解读依赖经验、误诊漏诊风险等问题。AI算法，尤其是以卷积神经网络（CNN）为代表的DL模型，不仅能够自动识别MRI图像中病变的位置、方向和严重程度并对其进行分类，而且可以结合病人的临床数据和影像数据，通过智能算法，快速筛查大量病人的影像，标记可疑病变区域，并提供诊断报告，减轻医生的工作负担，减少人为错误，加快图像判读和报告生成，提高诊断效率和准确性。

肩关节       RCT和肩关节脱位是运动医学中常见的肩关节疾病。RCT是肩部疼痛和活动障碍的主要原因，尤其在中老年人群中高发，常由退行性病变或外伤引起，严重时可能导致肩关节功能丧失。肩关节脱位是全身最常见的关节脱位，其中前脱位最常见，好发于青年男性和中老年人。脱位常伴随RCT、盂唇损伤等并发症。

Lin等开发了一个DL模型，用于检测肩部MRI中的RCT并将其分类为无撕裂、部分撕裂或全层撕裂。该模型对全层冈上肌、冈下肌和肩胛下肌撕裂的表现最佳，受试者工作特征曲线下面积（AUC）分别为0.98、0.99和0.95，模型准确度与接受过专科培训的肌肉骨骼放射科医生相似。仅使用X线片诊断RCT在临床上具有挑战性，而Hashimoto等开发的CNN模型表现出使用普通肩部X线片检测和分类RCT的优异诊断能力，灵敏度为92%，特异性为69%，准确率为86%，AUC为0.88。在诊断肩关节脱位的肩胛盂骨丢失（GBL）程度时，临床应用中广泛使用的方法是通过CT重建肩胛盂骨面正面视图绘制的最佳拟合圆来测量骨缺损。Zhao等开发的基于2阶段的DL模型在从CT扫描中分割关节盂方面表现出良好的效果，准确率为99.28%，并能定量测量GBL，为后续临床治疗提供数据参考。该研究是第一项基于DL模型定量分析复发性肩关节前脱位病例中GBL的研究。通过对肩胛盂表面进行像素提取，与最佳拟合圆法相比，研究中的2阶段模型提供了一种更精确和可重复的计算骨丢失的方法。肩关节初次脱位后，复发风险较高，可能伴随盂唇损伤。Ni等开发的DL模型可用于在初次MRI检查时识别上盂唇前后方向（SLAP）损伤，AUC为0.98、准确度96%，表现与高级放射科医生相当。

髋关节      近年来，AI结合影像学在诊断髋关节疾病时主要聚焦于发育性髋关节发育不良（DDH）。DDH是儿童常见的髋关节畸形，女性发病率显著高于男性，超声是目前早期筛查的主要手段。Atalar等使用计算机辅助DL方法评估髋关节超声图像，使用的VGG⁃19模型准确度、灵敏度、特异性、精确度、F1分数和AUC结果分别为93%、93.5%、96.7%、92.3%、92.6%和0.99。同样在利用超声诊断DDH时，Sezer等提出一种基于掩模区域的卷积神经网络（MaskR⁃CNN）的自动分割方法，通过对盂唇、髂骨下肢和髂翼进行分割，准确检测出Graf髋关节超声图像的可测量标准平面，将髋关节分为1型、2a型、2b型和2c⁃d型，根据Dice系数和平均精度方法，1型髋关节的平均成功率最高，分别为98.46%和98.73%，髂骨翼的平均成功率最高，分别为98.25%和98.86%。研究提出了与其他计算机辅助诊断系统不同的MaskR⁃CNN分割。与1阶段方法不同，MaskR⁃CNN提供对象的精确边界，而不是在对象和感兴趣区域之间保留一定间隙的矩形边界框。

膝关节       膝关节常见疾病有ACL损伤、半月板损伤和髌骨脱位等。ACL损伤是膝关节常见的运动损伤，尤其在从事旋转、跳跃和急停运动的运动员中高发。半月板损伤多与退行性病变相关，较少见于运动损伤。髌骨脱位多发于女性青少年，常由外伤或解剖结构异常（如高位髌骨、滑车发育不良）引起，其个性化治疗离不开影像学检查中髌股关节相关指数的测量。

Wang等基于来自5个中心的22767个MRI的训练数据集开发了一个DL模型，用于检测ACL断裂。通过来自6个中心的4086个MRI的外部验证数据集验证，该模型的AUC达到0.987，灵敏度和特异性达到95.1%，准确率超过96%，诊断时间也显著缩短。该DL模型对ACL断裂具有专家级诊断性能，对诊断专业知识有限的临床医生尤其有益。类似地，Dung等开发了一种DL模型，具有分割和分类功能的双模块，用于诊断MRI上的ACL撕裂，将ACL分类为完整、部分撕裂和完全撕裂的准确度分别为90%、82%和92%，显著减少了手动分割数据量，同时不影响性能。不同于之前的分割模型，该模型解决了将骨骼、软骨和后交叉韧带包含在框内的问题，并且可以基于撕裂的ACL进行分割，这在之前的研究中很少见。

对于半月板损伤的诊断，Zhen等构建并验证了基于多参数MRI的DL影像组学特征与临床特征相结合的半月板损伤风险分层列线图模型，在膝关节半月板自动分割中表现出良好的性能，训练队列AUC达到0.90，验证队列AUC达到0.84。使用该模型后，初级医生的诊断准确率由74.9%提高到86.2%。在一项最新的研究中，Güngör等评估了先进的DL模型在使用相对较小的数据集检测半月板撕裂的有效性。该模型在矢状面和冠状面视图中分别获得了0.97和0.98的AUC得分。尽管数据集相对较小，但该人工智能系统依然可以通过生成即时结构化报告、促进更快的图像解释和减少医生工作量来增强半月板损伤诊断。集成这些尖端模型提供了一种新颖的双阶段诊断方法，其性能优于传统方法，具有更高的AUC分数和更低的假阳性率，使其成为医学成像领域实用且创新的解决方案。在诊断髌骨脱位方面Barbosa等开发并验证了一种基于DL的方法，用于自动测量膝关节MRI扫描中与髌骨高度和滑车发育不良相关的髌股关节不稳定指数，能够以出色的可靠性（类内相关系数＞0.9）测量外侧滑车倾斜角、滑车沟深度、Insall⁃Salvati指数、CatonDeschamps指数和髌骨滑车指数，并且可以以良好的可靠性（类内相关系数＞0.75）测量沟角、滑车小关节不对称和改良Insall⁃Salvati指数，具有良好的适用性。类似地，在识别髌股关节不稳定方面，Li等改进后的CV模型和初级放射科医生的灵敏度、特异性和准确率分别为62%、97%和83%，以及62%、82%和74%。该模型解释每张图像大约需要（14.01±10.34）ms，明显短于放射科医生所需的（9.55±2.39）s（P＜0.001）。

腕肘踝关节     腕肘踝关节运动损伤有赖于更加精细的影像学检查，给临床医生诊断带来了挑战。舟月韧带（SL）撕裂是手腕常见的韧带损伤，通常由摔倒时手腕背伸位受力引起，多见于滑雪、骑摩托车等运动。肘部韧带肌腱病变包括网球肘（肱骨外上髁炎）和高尔夫球肘（肱骨内上髁炎），主要由慢性劳损或重复性应力引起。距腓前韧带（ATFL）撕裂是踝关节扭伤的常见后果，表现为急性期肿胀、疼痛和活动受限，慢性期可能导致习惯性崴脚。未诊断或误治的SL撕裂是退行性腕关节炎的常见原因。Keller等新开发的基于DL的X线片上SL距离的自动评估方法可以帮助临床医生进行初步图像解释，诊断敏感性和特异性达到了74%和78%，接近于临床医生（77%和80%）。该DL算法研究第一次使用自动解释SL距离作为SL损伤替代参数，用于自动评估不同骨骼之间的排列。Yi等开发的DL模型在评估肘部肌腱和韧带病变方面表现出最高的图像质量和诊断性能，AUC达到0.86。ATFL损伤是踝关节损伤中的常见原因。Astolfi等利用CV模型诊断ATFL损伤的准确率为85.03%，而专家的诊断准确率低于63%。DL模型在运动医学影像诊断中具有提高准确性、高效处理数据、早期病变检测、个性化治疗建议等多方面优势。尽管目前与临床医生相比，存在缺乏临床经验与综合判断、数据依赖性与泛化能力不足等问题，相信随着未来多模态整合、个性化医疗及医生与AI协作，AI有望为运动医学诊断作出更大贡献，全面提升临床诊疗水平。

人工智能在运动医学手术规划中的应用

一术前预测     目前，AI正在运动医学疾病术前预测中发挥着越来越大的作用。通过预测疾病术后的功能恢复、并发症、再损伤及翻修手术失败等风险，有利于协助临床医生制定更合理的手术方案和康复策略。

肩袖撕裂  Potty等提出了一种使用ML预测关节镜下肩袖修复（ARCR）术后结果的新算法，可以使用术前因素准确预测术后美国肩肘外科医师协会（ASES）评分，进一步补充术前咨询、计划和资源分配。通过使用Shapley加性解释，确定出术前ASES评分、术前疼痛评分、体重指数、年龄和肌腱质量是预测病人康复的最重要特征。ARCR术后肩袖再次撕裂仍然是一个主要问题。年龄、性别和撕裂大小等各种风险因素均有报道。Hess等提出的基于DL的方法，与CT相比，MRI测量的肩关节临界角、肩胛盂倾斜角和肩胛盂前倾角准确度分别为-1.3°±1.7°、1.3°±2.1°和-1.4°±3.4°。MRI和CT衍生指标之间的组内相关性在肩胛盂前倾角方面表现良好，其他指标几乎完美。这项研究展示了DL如何克服分辨率降低、骨边界对比度和视野降低的问题，从而实现MRI上的3D肩胛骨形态分析。

ACL损伤  前交叉韧带重建（ACLR）后，创伤后骨关节炎（PTOA）的长期风险显著。阐明风险因素并成功识别高风险病人具有挑战性。Lu等建立的ML生存模型，能可靠地识别ACLR后有症状性PTOA风险的病人。ACLR后发生PTOA的强预测因素包括受伤和术后就诊时疼痛评分增加、受伤时年龄较大、关节镜手术总数、术后轴移试验阳性以及继发性半月板撕裂。Johnson等评估了8个ML模型预测ACLR后全因再手术的能力，AUC最高达0.77，在这方面优于逻辑回归。并确定了全身炎症性疾病的诊断、远端撕裂位置、同时进行的内侧副韧带修复、术前较高的视觉模拟量表疼痛评分、腘绳肌自体移植、通过径向扩张装置进行胫骨固定、初次受伤年龄较小以及同时进行的半月板修复是再手术的预测风险因素。

辅助手术     近年来，全球范围内的骨科领域专家与工程技术人员积极探索AI技术在关节镜手术中的应用，并取得了显著成果。这些技术的引入不仅提升了手术操作的安全性和精准度，有效减少了术后并发症的发生率，还降低了手术过程中辐射暴露的风险，同时显著缩短了手术时长。这一系列突破为运动医学领域的跨学科融合，尤其是生物医学与工程技术的协同发展，开创了全新的研究方向和实践路径。医学成像系统缺乏深度感知是微创手术长期存在的技术限制之一。以3D形式可视化解剖结构的能力可以改善传统的关节镜手术。它还为开发半自主和全自动平台带来了术中图像与术前临床记录配准的可能性。Ali等研究了单目深度预测的ML技术，用于从单帧彩色关节镜视频图像中推断深度图。此外，该研究集成了分割模型，因此可以推断出3D分割图，从而提供扩展的感知能力和组织意识。最小重投影损失为0.0004132（结构相似性指数）、0.00036120156（L1误差距离）和6.591908×10-（5L1梯度误差距离）。与之前的研究相比，该模型不仅整合了全局和几何上下文信息，从而保留了边缘和上下文感知的深度图，而且通过融合解码器模块中每一层获得的多个尺度的深度图，进一步提高了模型的性能。

当前，AI手术设备的研发尚处于初期探索阶段，但其未来发展潜力巨大。随着技术的持续突破和行业规范的逐步完善，AI技术在骨科关节镜手术中的应用有望突破智能化水平有限、算法局限性、技术门槛高以及成本昂贵等问题。未来，这些系统不仅将在自主决策能力上实现显著提升，还将在操作精度、安全性和稳定性方面取得全面优化。此外，在全球产业需求增长、资本投入加大以及政策扶持的多重推动下，AI辅助关节镜手术技术有望迎来快速发展期，成为医疗科技领域的重要增长点，其应用前景十分广阔。

人工智能在运动医学术后康复中的应用

AI能够基于病人的手术类别、既往病史、生理条件以及恢复情况，量身定制专属的康复方案，涵盖训练项目、强度等级和频率安排，以实现最佳的康复成效。此外，AI还支持医生和康复治疗师通过远程方式监控病人的恢复进程，并提供在线咨询与个性化指导服务，从而提升康复管理的效率与精准度。Boyer等评估了ML方法的性能，用于检测和分类在诊所和家庭肩部理疗锻炼期间收集的惯性数据。通过使用具有深度神经网络模型提取病人特征的特定方法，对单个临床锻炼进行分类的最高准确率为0.903。Lee等使用DL模型对佩戴惯性测量单元（IMU）传感器的肩痛病人的康复运动进行分类，训练精度为0.975，测试精度为0.925。该模型可用于建立远程监测病人运动表现的系统，同时为病人提供更合适的反馈。

总结与展望

AI在运动医学中的应用已取得显著进展，涵盖损伤预防、疾病诊断、手术规划和术后康复等领域。AI通过ML等技术，提升了诊疗的精准性和效率。例如，AI结合可穿戴设备实时监测运动数据，降低损伤风险；在影像诊断中，AI快速识别病变，减少误诊；在手术规划中，AI预测术后风险，优化手术方案；在康复阶段，AI制定个性化计划，提升康复效果。然而，AI应用仍面临数据量不足、模型泛化能力有限等挑战。未来，AI将通过多模态数据整合、算法优化和个性化医疗，进一步提升运动医学的诊疗水平。随着5G和物联网技术的发展，远程医疗和智能康复将成为重点。跨学科合作与政策支持将加速AI技术的临床应用，推动运动医学向更高效、精准的方向发展。

来源：骨科2026年1月第17卷第1期