作者：马宏洋，梁晏铭，陈炳成，牡丹江医科大学研究生院；
痛风是一种代谢性疾病，常表现为
近年来，人工智能（artificial intelligence technology， AI）机器学习算法的快速发展为解决这些问题提供了新的机会。本文对痛风人工智能算法进行总结，并列举AI在痛风领域的最新研究进展，旨在为AI在痛风领域的进一步研究和应用开拓新的思路。
1. 影像学在痛风诊断及评估的应用
目前，痛风的诊断与评估主要依赖于临床症状、生化检查、关节镜及医学影像学检查等方法。
1. 1 超声检查（ultrasonic，US）
超声检查因其检查方便、快捷性已广泛应用于肌肉骨骼系统领域，常用的检查技术有常规高频超声检查、剪切波弹性成像等。常规高频超声检查能检测患者体内的尿酸盐沉积，一般多为“双轨征”，此征象有助于痛风的检出。剪切波弹性成像可以将关节内沉积的尿酸钠晶体转为数值进行比较，如弹性模量、平均弹性模量、最小弹性模量和弹性模量标准差等参数，这些参数有助于鉴别痛风与非痛风人群。由于超声检查较为方便，在骨肌系统检查中得到广泛应用，一般应用于痛风患者的初筛或早期检查。
1. 2 X 线摄影（X-ray photography）、双能CT（dualenergyCT，DECT）
X线摄影检查可发现痛风患者关节损害，对早期痛风X线摄影很难发现轻微病变。与超声检查相比，DECT适用于各期痛风患者，双能CT表现与急性期痛风临床表现有一定相关性，检测的灵敏度与痛风病程及结晶密度呈正相关，当尿酸盐浓度>20%时双能CT检出效果更佳，因此，部分超早期痛风患者在双能CT上并不会显示出代表尿酸盐沉积的伪彩图像。双能CT可检测痛风患者心血管尿酸钠沉积物，能够检测其并发症的发生。近年来，光谱CT成像技术除快速检出关节周围沉积的尿酸盐结晶外，还能通过MSU沉积总量体积测量，定量分析，这些检查手段都有助于痛风临床诊断及疗效评价。
1. 3
MRI相较于DECT、超声检查，在痛风的临床应用较少，陆少范等证明MRI在诊断膝关节痛风患者关节病变具有较高检出率，且影像学表现与体内尿酸水平有一定相关性。同时，MRI对膝关节软骨不同程度的侵蚀破坏，痛风结节邻近骨质的压迫吸收及破坏，也为痛风的诊断提供影像学依据。
2. 人工智能算法与介绍
人工智能（AI）为医学领域提供了新的诊断工具，AI通过提取目标数据的特征，自动学习。通过大量的、重复的训练，使得最终诊断结果与目标数据诊断的金标准相一致。在痛风诊断方面，AI主要通过使用机器学习（ML）以及深度学习（DL）来实现AI的自我学习。
2. 1 机器学习（machine learning，ML）
机器学习有三种算法，分别为监督学习（supervised machine learning）、无监督学习（unsupervised learning，UL）、半监督学习（semi supervised learning）。 1）监督机器学习（supervised machine learning）最常用于回归和分类。最常见的算法包括支持向量机（support vector machines， SVM）、随机森林等；2）无监督学习（unsupervised learning，UL）与监督学习相反，其更侧重于检测数据集中的标签并将数据集中的单个实例分类为所述类别。其中，将研究对象分为相对同质的群组的算法最为常见，常用于分类或分级；3）半监督学习（semi supervised learning）通常用于医学图像，通过标记小部分数据，结合剩余的大部分未标记数据对模型进行训练。一般来说，半监督学习模型效率优于无监督模型。
2. 2 深度学习
深度学习（deep learning， DL）通常被认为是更复杂的机器学习，能够执行更详细的分析、组合更多数据。其中多个线性和非线性处理单元排列在深度学习架构中，对数据中存在的高级抽象进行建模，其中，基于卷积神经网络（CNN）的方法在医学图像分析领域非常受欢迎。CNN主要用于检测病变、进行分级和分割解剖结构。
3. 人工智能在早期痛风评估中的应用研究
痛风在临床上最常见的表现是关节上的尿酸盐沉积，早期精准、高效的诊疗是关键。然而，传统临床检查方法效率较低，因此亟需一种更为快速的辅助诊断方法助力临床诊断、评估患者病情，而人工智能通过构建不同的模型及算法，通过痛风患者数据学习、自然语言的识别、痛风代谢改变和代谢途径失调识别，预测患者体内尿酸成分、痛风关节炎患者微观生理状态中的变化，均有重要开发价值，帮助临床做出最准确的辅助决策，以便医师专注于患者个性化治疗。
3. 1 痛风病灶的检出优化及验证
人工进行痛风影像学诊断，尤其是CT扫描，一位患者需要花费15~25 min。痛风在CT图像上表现为骨质、关节旁软组织的尿酸盐沉积，表现为高密度影，同时会伴有不同程度的骨质侵蚀。DECT尿酸盐沉积表现为绿色伪彩影。许多研究者对关节损伤疾病的智能诊断进行了探索。如FAGHANI等使用深度学习模型诊断骨疾病，FRITZ等基于放射组学和深度学习对肌肉骨骼放射学疾病检测提出了MRI与CT的新型方法等。
基于以上研究者的探索为基础，FAGHANI等 使用DECT影像数据集对两个基于U NET的三维深度学习模型SEG RESNET和SWIN UNETR 进行了训练，相比于SEG UNETR，SEG RESNET 的体素级灵敏度和特异度分别达到98. 72%和99. 98%。SEG RESNET表现出卓越的性能指标。FAGHANI等所开发的算法为快速、一致、高灵敏度和特异性的计算机辅助诊断提供了一种潜在的工具。而这种算法可以被放射科医师用来简化DECT的工作流程，提高痛风检测的准确性。
在训练得到效果较好的模型后，FAGHANI等将此模型用于实习影像诊断医师、影像主治医师的诊断，并让2位医师阅片30个DECT痛风患者，将其与不使用诊断模型进行对比。最终使用开发的深度学习模型可以减少诊断医师的阅片时间，并提高诊断的准确性。随着技术进步，基于CT的诊断模型将不断发展并改进。
3. 2 痛风病灶鉴别及影像分析
相对于DECT，MRI并没有后处理的绿色伪彩图像重组系统，但其图像分辨率高、能够识别物质组成、骨质破坏和骨髓
痛风石在T1WI图像呈等、低信号，在T2WI信号由于其内成分的不同，常表现为混杂信号，若关节软骨有损伤，则在T2像更能够显示疾病变化。
WANG等使用376例连续的经病理证实膝关节滑膜炎患者，在自行开发出的一种基于矢状位质子密度加权图像的深度学习模型，用于分割髌上囊（SC）和髌下脂肪垫（IPFP），并区分三种常见的膝关节滑膜炎，在最后的外部与内部测试集的炎症下，用于分割SC和IPFD的深度学习模型可以准确地对膝关节滑膜炎进行分类并辅助影像学诊断。在鉴别痛风性滑膜炎评估中，该模型对MRI痛风诊断起到了很好的效果，有助于缩短影像诊断医师的工作流程时间。虽然这些模型对痛风石检出的效率与准确性较高，但是这些基于MRI的识别模型无法测量痛风石体积、形状及尿酸含量，因此需要结合相关数据进一步分析。
总体而言，基于痛风领域的AI监测预警评估系统具有很大潜力。目前关于痛风疾病早期筛查的研究主要集中快速精准检出病灶，降低漏诊率，缩短诊断工作流程时间方面。AI可以提供病灶位置、大小等相关量化信息，更好展现病灶信息。在早期筛查任务中，AI的价值是在临床诊断过程中减轻医师的工作负担，通过有效帮助基层医师开展同质化诊疗，让在接诊过多患者时能更快速、更有效、更加准确地做出正确的判断并对患者进行诊治。几家大型医疗机构应用痛风“智能诊疗”系统疗效显著，获广泛认可，AI项目实现了从大数据到智能诊疗再到精准诊疗的转化，让AI 辅助医师的痛风诊疗新模式更好实现。
4. AI 在痛风精准评估中的研究方向
痛风的症状和体征以及影像学表现与其他关节炎症易混淆，因此，诊断痛风时必须结合多方面的数据，而其他关节炎症的用药和处理方式与痛风性关节炎不同，因此与其他炎症性疾病的鉴别诊断对痛风的预后有重要价值。例如
肥胖、
NEVIN 等应用K均值分析方法，对425例痛风患者双侧膝关节和第一跖趾关节的超声检查影像及临床数据和治疗进行了评估，并比较了各分组之间的特征，最后发现，第一类分组具有最低的尿酸负担和较低的MSUS特征频率。第二类分组主要是女性，降尿酸治疗率较低（ULT）。第三类分组具有最高的疾病负担和最大的合并症比例，常合并关节积液和晶体沉积的聚集物，而第二类分组多数能量多普勒信号较高，该研究定义了三个集群分组，有利于辅助医师进行归类。但该研究仅比较不同集群分组痛风患者之间的尿酸治疗差异，未进行其他共病的亚型研究，无法与现实患者情况相匹配，在临床工作中，痛风患者常会合并其他系统紊乱，因此寻找新的标志物有助于更好地诊断痛风。
HENSON使用基于k均值分析方法的细菌群落代谢模型对来自痛风患者和健康对照粪便样本的 16S rRNA 基因扩增子序列数据进行计算分析，最终找到了一种能够预测痛风的肠道菌株以及有特征性的代谢物，可以预见在未来中，代谢结合影像的模型研究。
另外，YOKOSE等对 153 例痛风患者进行了双侧手/腕、脚/脚踝和膝盖的 DECT 扫描，评估了MSU晶体沉积和骨侵蚀的集群分组模式。该研究并未使用机器学习的方法进行分析，而是研究者手动进行的，因此运用类似的集群分组分析方法对DECT或MRI的痛风影像识别是未来的发展方向之一。以上研究显示人工智能还有一定局限性，但可以看到AI具有帮助医师更好诊断痛风亚型，进一步确定相关病因，从而提高诊断效率，减少误诊率的优势，未来集群分组影像AI研究的探索也能够拓宽痛风领域的不断深化。
5. AI 结合痛风多模态数据进行诊治
目前，较为完善并应用于临床的痛风人工智能诊疗系统，首创痛风“分期、分级、联合、综合”，基于患者病历、诊疗数据、医学影像等基本医疗数据，结合Web挖掘等技术对医学知识、前沿临床研究和科研成果进行自动收集分析，同时使用了深度学习的卷积神经网络、对抗网络及机器学习技术，运用多模态数据综合分析，分析痛风患者历史病理特征之间的时序和空间关联性，并给予治疗方案，同时，该系统将诊断与治疗数据提供到医师手中，能够辅助医师学习相关案例，医师也会将自己得到的痛风患者数据反向输送给人工智能诊疗系统，以进一步扩大系统自身的数据集，引入知识图谱、模糊逻辑和知识推理技术，能够让该系统有可成长性，并进一步优化痛风患者的智能诊疗。
以上研究提示了痛风的智能化研究未来方向，多种模型结合的模式在早期能够筛查出痛风患者，并对其严重程度进行评价，从而为患者的治疗方案进行个性化、全面化的修改，对于早期痛风患者管护、治疗及预后有着重要意义。然而，近年来，对于痛风评估研究主要是基于临床数据，使用的融合影像研究不多，无法实现对现实痛风患者的复杂情况进行全面、深入、递进的诊断条件，因此，未来需要进一步扩大痛风影像人工智能功能的研究探索。
6. 人工智能在痛风领域的局限性和未来
6. 1 主要局限性
虽然AI的应用在痛风的病因鉴别、早期筛查和预后预测方面具有显著效果，但将该技术在临床中推广仍需解决诸多困难和挑战。
1）痛风数据需求大，现存公共数据库少。数据是机器学习成功的基础，在痛风诊断中，获取高质量和丰富的标记医学数据是一个挑战。首先，痛风病变的多样性和复杂性使得数据标记和分类变得困难。AI训练需要大量可靠的数据，而数据靶区勾画或检验数据的确认都需要专业人员参与，因此对足够可靠的数据进行处理需要大量人力物力，这一现状对痛风人工智能领域的拓宽造成了一定的影响。同时在影像领域，痛风的公开数据集标准在学术界尚未达成共识，仍缺少一些可靠、标准、共享的相关临床、影像数据集能让相关人员采用并进行训练；
2）可重复性和适应性差。数据集在验证组及训练组数据相近或相似的情况下，AI能够以此为基础训练出较好的模型，但数据不会是完全平衡的，在现实世界中通常会观察到模型在训练数据上表现较好，但在实际应用中，模型对新的、未见过的图像表现不佳，这表现为模型的适应性差。因此，痛风人工智能诊疗系统在常规临床应用前，仍然需要大量的现实患者数据进行验证，并不断提高其性能、准确性和可靠性，加以验证和优化。
6. 2 未来探索方向
人工智能在临床实践中面临着许多挑战。首先，日益更新的临床、影像诊疗指南，患者所处环境及自身条件的复杂性，会产生大量独一无二的干扰数据。因此，所训练的模型需要处理不同类型、不同来源的数据，同时还要识别一些干扰数据，且要确保结果的可靠性和有效性。其次，由于患者在临床治疗的过程中，个别患者的医嘱不依从性也会使得患者临床数据及影像数据产生影响，诸如数据虚假的情况，疾病的地域性很强，不同地区的疾病发生表现也不同，这就要求所训练的模型能够适应不同地域的痛风情况，需要非常庞大的数据支撑。
最后，伦理和法律方面的问题也会增加数据获取的难度。隐私保护、数据安全、责任分配等问题需要模型训练者与相关人员进行协商，以确保技术符合伦理规范。同时，出现医患纠纷时，模型无法保障诊断者及患者的合法权益，目前相关的法律法规条例也未颁布，也会影响相关AI模型在医院内发展。
目前痛风领域的人工智能研究主要集中于超声检查、CT等方面，近年来基于深度学习的基物质分解方法图像去噪技术、自监督特征提取的骨骼X线摄影异常检测方法等为其他设备的智能诊断带来了新的可能。同时，人工智能在痛风诊断中的应用带来了如何提高诊断的准确性和效率的挑战，这需要算法的更新与迭代，或是引入图像分割的新概念；提高病灶分割准确性及降低图像噪声也是一个发展方向，未来的研究随着新质生产力的纵深推进及AI技术蓬勃发展，将继续推动这一领域的进步。
其次，不同医学领域研究者在智能模型研究中展开了不断的探索，建立了不同的模型，但是这些模型都受限于自身科室、医学领域或相关技术，并未结合一个或多个其他领域的模型，但是，相信随着时间的推移，基于上述的多模态诊疗模型，以回溯病因，识别患者临床主诉，推演患者相关共病及身体代谢的多模态临床诊疗模型会不断发展，最终更好的应用于临床。综上所述，人工智能在痛风诊断中为临床提供了新的路径。
随着人工智能的不断研究与创新，寄望于人工智能在临床实践中产生更大的影响，为痛风患者提供更精准的诊疗选择，更好地揭示痛风发病机制和规律，为开发更有效的诊疗方法和药物提供数据。未来AI技术需要进一步与DECT等影像融合，其模型的适应性、迭代算法的泛化性、克服医学影像的多模态和复杂性及更多大数据的验证是AI影像在痛风领域研究的难点和发展方向，相信AI在痛风领域的研发与应用将有更广阔的前景，必将进一步拓宽痛风智能化自动化诊疗新模式落地。
来源：马宏洋,刘力,钟威,等.人工智能在痛风评估中的应用研究进展[J].医学影像学杂志,2025,35(03):142-146.DOI:10.20258/j.cnki.1006-9011.2025.03.033.
(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。)
