AI in Orthopedics新进展系列之二：AI在足踝疾病领域应用进展

在2024年，人工智能（AI）在足踝外科领域的应用去的了诸多进展。近年来，人工智能在骨科领域展现出巨大潜力，在诊断方面，基于深度学习的图像识别等技术被广泛应用于骨科影像解读。在治疗方面，智能手术导航系统和手术机器人逐渐兴起，手术导航系统利用人工智能算法对患者的三维影像进行分析，为医生在手术中提供实时的引导，确保手术器械准确到达预定位置。几乎所有骨科亚专科都在开发人工智能模型，包括髋关节、膝关节、脊柱和儿科等，人工智能在足踝外科手术中的潜在应用同样广泛的。

笔者总结2023年12月至2024年11月期间，人工智能在足踝外科领域发表的文章加以总结，纳入了在足踝外科相关且与骨科医生有关的研究中应用人工智能（AI）或其子集机器学习（ML）和深度学习（DL）的大部分研究，试图展示AI在这一领域的应用潜力。

2024年，生成式AI的开发应用取得了显著进展。其中，OpenAI公司在2024年5月13日发布了GPT-4o，在2024年9月13日发布了GPT O1。GPT-4o能够处理和生成文本、视觉和音频数据，实现更自然的人机多模态交互。也能够分析完整的PDF文件，提取关键结果和数据解释，生成结构化的文本草稿，为文献综述和论文提供详细的大纲。GPT-O1则在处理复杂问题时展现出卓越的推理能力，特别是在科学、技术、工程和数学（STEM）领域。它能够在回答问题之前进行深入思考，生成一个较长的思维链，逐步推理出答案。适合需要深度推理的复杂问题，如科研任务。本年度，生成式AI在足踝外科的应用研究也明显增多。

Cooperman等研究评估了在足踝手术中区分AI生成和人类编写的摘要的能力，通过人工智能系统 （ChatGPT 3.0） 在 21篇已发表的摘要上进行了训练，通过创建6篇新颖的案例摘要，9名足踝外科医生参与了一项盲法调查，其任务是区分AI生成的摘要和人类编写的摘要，并评估他们对回答的信心。在两个不同的时间点完成两次调查，以评估观察者内部/观察者间的可靠性。结果显示：区分AI生成的摘要和人类编写的摘要的总体准确率为50.5% （n = 109/216），表明性能并不比随机机会好。审稿人体验和AI熟悉度对准确性没有显著影响。评分者间信度最初中等，但随着时间的推移而下降，评分者内信度较差。作者认为在目前的形式下，AI生成的摘要与人类编写的摘要几乎没有区别，这为足踝手术中的一致识别带来了挑战。

Samsonov通过对大型语言模型（LLMs）提问了10个关于全踝关节置换（TAR）的常见问题，记录其回答，随后将回答分为A、B、C或F级，分别对应“优秀回答”“良好回答但需轻微澄清”“不充分回答但需中度澄清”和“差回答但需重度澄清”。结果显示：在10 个回答中，2个为“A”级，6个为“B”级，2个为“C”级，没有“F”级。总体而言，该语言模型对所提出的提示提供了高质量的回答。作者认为：总体而言，所提供的回答易于理解，且能代表当前关于TAR的文献。本研究强调了语言模型在增强患者对足踝手术操作理解方面的潜在作用。

Esfahani等通过深度学习（DL）以及充分训练的深度卷积神经网络（DCNN）的方法，评估两种不同的DCNN 在使用X光片检测踝关节骨折方面的性能与地面实况相比。DCNN使用从1050名踝关节骨折患者和相同数量的脚踝健康个体获得的X 光片进行训练，使用了Incept V3和Renet-50预训练模型，应用Danis-Weber分类方法，在1050 人中，有72 人被标记为隐匿性骨折，因为他们在初级X 光片评估中没有检测到。单视图（前后）X光片与3 视图（前后、榫眼、侧位）用于训练DCNN。结果显示：DCNN 使用3视图图像比单视图显示出更好的性能，基于更高的准确性、F分数和曲线下面积（AUC），使用inception V3 使用3 视图检测踝关节骨折的最高灵敏度为98.7%，特异性为98.6%，该模型在X光片上只遗漏了一处骨折。作者认为DCNN的性能表明，它可用于开发当前使用的图像解释程序，或作为临床医生更快、更准确地检测踝关节骨折的单独辅助解决方案。

静脉血栓栓塞（VTE）是创伤环境中发病率和死亡率的主要原因，VTE的预测和预防长期以来一直是骨科手术的重点。Nassour等评估新型统计分析和机器学习在预测VTE风险和踝关节骨折后预防的有效性方面的使用， 回顾性筛查了 16,421例踝关节骨折患者的医学特征以筛查症状性VTE，发现共有238例因踝关节骨折接受手术或非手术治疗并在受伤后180 天内确诊为VTE 的患者被归入病例组，或者随机选择937 例治疗类似但无VTE书面证据的踝关节骨折患者作为对照组，来自病例和对照人群的个体也被分为接受VTE 预防的个体和未接受VTE预防的个体，使用常规统计和机器学习方法进行数据分析。结果显示：发生机动车事故、手术治疗、住院时间增加和服用华法林的患者VTE 发生率较高，而服用他汀类药物的患者VTE发生率较低。显示我们的机器学习方法性能的最高受试者工作特征曲线下面积 （AUROC） 为 0.88，灵敏度为0.94，特异性为0.36。在使用选定变量训练的模型中，性能最平衡，AUROC为0.86，灵敏度为0.75，特异性为0.85。作者认为通过使用机器学习，这项研究成功地确定了与踝关节骨折患者发生与不存在VTE相关的几个预测因素。使用更大、更精细和多中心的数据训练这些算法将进一步提高其有效性和可靠性，应被视为开发此类算法的标准。

然而，也有不少研究者对生成式AI在足踝领域的应用持审慎态度。Albert Thomas Anastasio等向ChatGPT 询问了一系列共5个问题，包括“踝关节关节炎的最佳治疗方法是什么？”“我应如何选择踝关节置换术与踝关节融合术？”“Jones骨折我需要手术吗？”“我如何预防夏科关节病？”以及“踝关节扭伤我需要看医生吗？”在应用排除标准后，包含了五个回答（每个问题一个）。使用DISCERN（一种经 过充分验证的信息分析工具）和AIRM（一种自行设计的运动评估工具）对内容进行分级。结果显示：医疗保健专业人员将ChatGPT 生成的回复评为低级4.5%，中级27.3%，高级68.2%。结论：尽管ChatGPT及其他相关人工智能平台已成为医疗信息传播的流行手段，但与足踝病理相关的AI 生 成回复的教育价值参差不齐。4.5%的回复被评为低级，27.3%的回复被评为中级，68.2%的回复被评为高级。医疗保健专业人员应当意识到，在ChatGPT上容易获取的、质量参差不齐的内容拥有大量受众。

足踝疾病早期症状大多不典型，其诊断具有复杂性，容易被患者忽视或被医生误诊，比如足底筋膜炎，初期仅表现为晨起时短暂的足底疼痛，易被认为是疲劳所致。同时，足踝部的一些病变在影像学上较难发现，由于其复杂的解剖结构，骨骼和软组织在影像中容易相互干扰，而深度学习和人工智能在准确且快速地诊断方面可能发挥重要作用。通过深度学习和卷积神经网络（CNN）等技术，AI系统能够自动识别足踝部位的标准冠状、矢状、轴位的切面，并测量相关参数，从而提高诊断的准确性。

卷积神经网络（CNNs）是深度学习的一种形式，能从原始图像像素中识别视觉模式，这使其在医学成像方面可能有用。虽然为X光片开发的卷积神经网络在骨折检测方面表现出色，但它们最终受到限制，因为X光片仅提供三维关节的二维表示，为了解决这个问题，用于踝关节和足部骨折检测的人工智能不仅限于X光片，还扩展到计算机断层扫描（CT）成像。通过从头开始和预训练的卷积神经网络，已发现深度学习能够成功检测并准确分类92-98%的Sanders跟骨骨折类型。Gupta等使用PubMed/MEDLINE和Embase数据库进行了系统文献综述，纳入了所有在足踝外科相关且与骨科医生有关的研究中应用人工智能（AI）或其子集机器学习（ML）和深度学习（DL）的研究，探索了用于踝关节骨折、跟骨骨折、外翻足趾、跟腱病变、足底筋膜炎和运动损伤的人工智能，14项研究调查了用于图像解读的人工智能，在14项图像解读研究中，研究主题包括一般足踝骨折、Lisfranc对线不良、踇外翻参数、跟骨骨折以及跟腱 （表 1）。在这14项研究中，有2项对其模型进行了外部验证（14.3%）。除1 项研究外，其余所有研究均 使用了深度学习模型（92.9%）（表2）。

表1：足踝外科图像解读的人工智能

表2：足踝外科图像解读的人工智能模型解读

在这14 项 研究中，有8项报告了曲线下面积（AUC），其最佳值在0.85（良好）至0.99（优秀）之间。8项研究报告了准确率，其最佳值在72%至99%之间。  Esfahani等人对两个用于从X光片中识别踝关节骨折的深度卷积神经网络（DCNNs）进行了内部验证，并实现了近乎完美的0.99 的曲线下面积 （AUC）。

Kitamura 等人对个独立的卷积神经网络进行了内部验证，用于从普通X光片中检测踝关节骨折，并实现了81%的良好骨折检测准确率。

Prijs等人44对用于从普通X 光片中检测、分类和定位踝关节骨折 的深度学习模型进行了内部和外部验证，在外部验证中实现了出色的0.92 的曲线下面积和99%的准确率（分类为“无骨折”）。

Germazi等人对用于从足部和踝关节普通X 光片中检测骨折的深度学习模型进行 了内部验证，其表现出色，曲线下面积为 0.97，每位 患者的敏感性为 93%，每位患者的特异性为93%。

Wangetal.对用于检测和分级疲劳性骨折（一种应力性骨折）的深度学习系统进行了内部和外部测试，该系统在检测足部图像中的疲劳性骨折方面表现出色（曲线下面积为0.911，灵敏度为90.8%），在检测胫腓骨图像方面表现良好（曲线下面积为0.877，灵敏度为85.5%）。由于该深度学习系统在胫腓骨图像上的总体准确率为62.9%，在足部图像上的准确率为61.1%，因此未证明其在疲劳性骨折分级方面的外部有效性。

近年来，AI在踇外翻影像诊断领域取得新进展。通过深度学习算法，AI能够快速且精准地分析足部X光、CT等影像，对踇外翻的严重程度进行量化评估，包括踇外翻角、跖骨间角等关键指标测量，其准确性与经验丰富的骨科医生相当。同时，AI还能辅助诊断潜在的并发症，如足部的关节炎等。这不仅提高了诊断效率，减少了人为误差，为踇外翻的个性化治疗方案制定提供了有力支持，有望在临床实践中得到更广泛的应用。

Lietal等人旨在对深度学习模型进行内部验证，以从负重X 光片中检测出18个解剖标志点，包括外翻角（HVA）、跖趾关节内翻角（HIA）、第一跖骨和第二跖骨内翻角（IMA）以及跖骨远端关节角（DMAA）。这4个角度的观测值（由放射科医生手动测量）和预测值（模型）相关性良好（组内相关系数：0.89-0.96，r= 0.81-0.97）。

Dayetal等人旨在评估一种基于人工智能的软件在自动测量踇外翻患者从负重锥束计算机断层扫描（WBCT）扫描中测量M1-M2内翻角（IMA）的性能。基于人工智能的软件比手动测量更快，与手动测量相关性良好，并且具有更高且近乎完美的测试重测可靠性（3D和2D IMA 的组内相关系数均为0.99）。

Wangetal.等人验证了一个支持向量机模型，使用外翻角（HVA）、内翻角（IMA）和跖骨远端关节角（DMAA）对有症状的踇外翻患者进行分类，准确率为76.4%。

（3）AI在足踝肌腱病变影像诊断中的应用新进展

AI在足踝肌腱病变影像诊断方面同样取得显著进展。借助先进的机器学习算法，AI可对足踝部位的MRI、超声影像进行高效分析。它能够精准识别肌腱的撕裂、炎症、退变等病变特征，快速定位异常区域，并给出初步的病变程度评估。相比传统诊断方法，AI极大地缩短了诊断时间，提高了诊断的准确性和一致性。这为临床医生制定精准的治疗方案提供了关键依据，有望在足踝肌腱病变的诊断中发挥越来越重要的作用，推动该领域诊断技术的发展。

Wangetal等人对基于影像组学的机器学习模型进行了内部验证，用于诊断滑雪运动员的跟腱腱膜病变，并实现了0.99的AUC、90%的敏感性和100%的特 异性。

Kapińskietal等人对基于深度学习的模型进行了内部验证，用于分类MRI扫描中的跟腱损伤，实现了97. 6%的最大准确率、98.3%的敏感性和99.45%的特异性。

Merrilletal等人对基于逻辑回归和梯度提升模型的模型进行了内部验证，用于预测急性踝关节骨折患者在开放复位内固定（ORIF）手术后的短期并发症，包括死亡率和再入院率。两种模型的表现相似，梯度提升模型的AUC范围从0.6979到0.7580，逻辑回归模型的AUC范围从0.7101到0.7583。

AI在足踝外科的应用正在扩大，尤其是在临床预测方面。利用大数据与深度学习技术，AI可依据患者的病史、影像资料、生理指标等多维度数据，对足踝手术的预后进行更精准预测，如术后恢复时长、并发症发生概率等。同时，在术前能帮助医生更好地规划手术方案，评估手术风险。其快速处理复杂数据的能力，有效辅助临床决策，提高了诊疗效率和质量，让足踝外科治疗朝着个性化、精准化方向不断迈进，为患者带来更优质的医疗服务体验。

Gupta等在这13项临床预测研究中，包括预测踝关节骨折手术后的结果、预测下肢运动损伤、预测腓神 经麻痹的恢复情况等等（表 3）。在这13 项研究中， 没有一项对其模型进行了外部验证（0%）。测试的机 器学习和深度学习模型的数量从 1个模型到11 个模型 不等（表 4）。在这13 项研究中，有9项研究报告了曲线下面积（AUC），其最佳值从0.64（差）到0.97 （优）不等。6项研究报告了准确率，其最佳值从70.4%到93.18%不等。            

表3：足踝外科临床预测的人工智能

表4：足踝外科临床预测的人工智能模型总结

Diniz等人对用于预测足球运动员在跟腱断裂后是否会恢复到类似比赛参与水平的机器学习模型进行了内部验证，该模型实现了良好的AUC 值为0. 81 以及布里尔分数损失为0.12 。

Lu等人对许多机器学习模型进行了内部验证，用于预测职业篮球运动员下肢肌肉拉伤（小腿、腹 股沟、股四头肌、腘绳肌）的发生情况，其中 XGBoost模型实现了最高的AUC 值，为0.840，并且也被认为是性能最佳的模型，同时考虑了Brier分数和校准度。Jauhiainen等人对两个机器学习模型进行了内部验证，用于预测年轻篮球和地板球运动员（年龄≤21岁）的中度和严重膝盖及踝关节损伤， 这两个模型的表现不佳，随机森林模型的 AUC为0. 63，逻辑回归模型的AUC 为0.65。

Ruiz-Perez等人对许多机器学习模型进行了内部验证，以预测精英五人制足球运动员的下肢非接触性软组织损伤，总体表现相当，最佳模型实现了AUC 值为0.767， 敏度为 85.1%，特异度为62.1%。Vasavada等人对用于预测膝关节多韧带损伤后腓神经麻痹完全恢复的随机森林模型进行了内部验证，该模型表现不佳，曲线下面积（AUC）为0.64，准确率为75%，F1分数为0.86。

Yin等人对慢性足底筋膜炎体外冲击波治疗后6个月内能实现最小临床成功治疗（视觉模拟评分[VAS]较基线降低60%或更多）的患者预测的神经 网络模型进行了内部验证。该模型表现良好，总体 准确率为 92.5%，灵敏度为95.0%，特异度为90.0%。

人工智能在骨科领域潜力巨大，未来将建立更完善的足踝疾病数据共享平台，提高数据质量和标准化程度。通过多中心合作收集更多的数据，尤其是罕见病的数据，以增强模型的泛化能力。虽然足踝手术在骨科专科中一直落后于其他专科，但有必要在该领域更广泛地应用和研究机器人技术。卷积神经网络（CNNs）可以被训练用于自主的结果预测，目前正专注于在多种临床环境中进行骨折检测 和优化预测。最后，考虑到损伤后和手术后的结果，机器人足部支架、模拟器和辅助肢体设备具有各种自 适应功能，并且有实时患者反馈的 选项，这为患者康复的个性化提供了条件。

（1）AI在全踝关节置换术中的应用前景

机器人辅助全膝关节置换术（TKA） 和全髋关节置换术（THA）的进步显示出良好的临床效果，为踝关节置换术（TAA）的应用带来了希望；然而，由于足踝手术的范围广泛，但单一手术的手术量低于关节成形术，因此广泛采用这些技术存在显著的成本障碍。尸体研究可能有助于阐明踝关节的天然机械应变和损伤生物力学，测试当前的踝关节置换系统，并引入新的机械装置以实现无接触骨折复位。在临床方面，机器人技术和基于计算机的系统被用于提高踝关节置换术和创伤的精度，但与全髋关节置换术和全膝关节置换术的机器人技术相比， 这些发展相对较少。因此，在未来几年，封闭式空气解决方案（CAS） 和技术能力开放的机器人很可能会更广泛地应用于足踝；然而，通过机器人辅助踝关节置换术来改善假体位置，可以降低长期医疗成本，特别是考虑到踝关节置换术与其他关节置换术相比的高失败率。如果开发出具有开放性的机器人系统，使其具备伴随全关节置换术的其他操作（如软组织操作）的能力，那么手术室的纵向成本和结果以及患者的生活质量都可能会得到显著改善。

（2）AI在足踝假体与矫形器中的应用前景

随着踝关节假体、矫形器和治疗方法的不断改进，进一步的工作将有助于优化这些系统的设计，以创造更轻便的设备，减少用户的机械负荷，并重新创造更自然的运动模式。文献中还描述了将踝关节矫形器扩展为足踝-膝关节矫形器，以适 应更严重的病理情况。其他建议包括针对个体患者需求定制的个性化方案，而不是标准化的、一刀切的方案。最终，患者将从这些技术中受益，通过可修改的产品促进个性化康复，从而改善术后结果。

对于足踝外科疾病，提高手术效果和康复计划以缩短恢复时间应该是骨科医生和研究人员关注的重点，人工智能的应用也应该致力于这方面。2024年度人工智能（AI）技术在足踝外科领域的应用正不断取得新的进展。目前，不论是生成式AI对患者问题的回答，或者在足踝外科常见疾病的影像识别、图像解读，以及在足踝外科疾病手术或治疗预后等等方面，均取得很多进展。总之，AI与足踝外科的深度融合将推动该领域向精准、高效、个性化医疗方向发展，为患者带来更优质的医疗服务体验