AI in Orthopedics新进展系列之一：AI在人工髋膝关节置换领域应用进展

学术 2025-01-12 17:01 北京

在2024年，人工智能（AI）在人工髋膝关节外科领域的应用迎来了诸多令人振奋的进展。AI技术的快速发展，特别是在机器学习、计算机视觉和自然语言处理方面的突破，为关节置换手术的术前规划、手术操作、术后康复以及患者教育等多个环节带来了革命性的变化。从提高手术精准度到个性化治疗计划的制定，再到术后并发症的预测与管理，AI正在成为提升患者治疗效果和生活质量的关键因素。

笔者总结2023年10月至2024年9月这一年间，人工智能在人工髋膝关节置换领域发表的240余篇文章加以总结，试图展示AI在这一领域的应用潜力，并预测未来关节外科领域更加智能化和个性化的发展趋势。

PART 01

生成式AI应用新进展

2024年，生成式AI的应用取得了显著进展，如自回归模型、生成式对抗网络（GANs）、变分自编码器（VAEs）和Transformers，已经在图像、文本、音频等多种内容生成任务中展现出其强大的能力。其中，OpenAI公司在2024年5月13日发布的GPT-4o和2024年9月13日发布的GPT O1模型最为先进。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在关节外科的应用研究也大幅增多。

Mika等使用ChatGPT回答关于全髋关节置换手术的十个常见问题，并对每个回答进行准确性分析。结果ChatGPT的回答中，只有1个为“不满意”；2个不需要任何更正，大多数需要最小程度（10个中的4个）或适度（10个中的3个）的澄清。作者认为，ChatGPT基于证据，有效地回答了患者在接受全髋关节置换术前常问的问题,并以大多数患者能够理解的方式来呈现信息。

Magruder等将美国骨科医师学会关于全膝关节置换术的相关临床实践指南的15项内容转化为问题，并使用ChatGPT回答。结果发现，所有答案特征均被评为高于平均水平（即>3分）。在接受调查的外科医生中，相关性得分最高（4.43 ± 0.77），一致性得分最低（3.54 ± 1.10）。作者认为，ChatGPT可以以高于平均水平的准确性回答有关全膝关节置换术中公认的临床指南的问题，但可靠性表现出可变性。

此外，本年度有较多类似研究发表。如Bains等评估ChatGPT回答全膝关节置换术后（TKA）患者最常问的60个问题的可靠性，认为ChatGPT在提供TKA术后患者问题的答案有潜在价值，不仅符合医生和患者目标，并且成本支出最小化。Taylor等评估ChatGPT生成的对全膝关节置换术常见问题解答的回答的准确性和可靠性，认为ChatGPT为常见问题解答提供了准确、可靠的答案。Zhang等评估ChatGPT对全膝关节置换（TKR）常见问题（FAQs）回答的准确性和相关性，认为ChatGPT在提供关于TKR的FAQs的准确和相关回答方面表现良好，显示出作为患者教育工具的巨大潜力。

然而，也有不少研究者对生成式AI在关节外科的应用持审慎态度。Yang等使用ChatGPT和Bard回答美国骨外科医师学会（AAOS）循证临床实践指南（CPG）中的20种治疗方法（10种髋关节和10种膝骨关节炎），并进行评估。结果总体而言，ChatGPT和Bard分别对16种（80%）和 12种（60%）治疗提供了与 AAOS CPG 一致的反应。作者认为，生成式AI ChatGPT 和Bard都不一致地提供与AAOS CPG 一致的响应。因此，医生和患者应该降低对AI平台目前可以提供指导的期望。同样，Wright等的研究也认为， ChatGPT回答THA和TKA患者问题的准确性与以前的网站报告相当，具有足够的全面性，但作为唯一信息来源的可接受性有限。ChatGPT有可能回答患者关于THA和TKA的问题，但需要改进。

髋、膝关节置换术后假体周围感染（PJI）是关节外科手术最严重的并发症之一。PJI不仅增加了患者的痛苦和医疗费用，还可能导致假体失败和再次手术。由于PJI的诊断和治疗复杂，传统方法常常面临挑战。近年来，人工智能（AI）技术的快速发展为PJI的预防、诊断和管理提供了新的思路和工具。2024年，生成式AI也被用在关节假体周围感染这一复杂领域。Hu等评估ChatGPT是否能正确回答有关假体周围关节感染（PJI）的常见问题（FAQ）。结果显示，从ChatGPT给出的回复的分析来看，没有一个回复获得“不满意”的评级，有一个不需要任何更正，大多数回答需要低（12分中的7分）或中度（12分中的4分）澄清。作者认为， ChatGPT能够有效地回答患者寻求PJI诊断和治疗信息的常见问题解答。给定的信息也是以可患者可以理解的方式编写。

Draschl等评估ChatGPT在假体周围关节感染（PJI）问题上的表现。作者从2018年肌肉骨骼感染国际共识会议中选择27个问题用于生成响应。自由文本回答由三名骨科医生使用五点李克特量表进行评估结果发现，在存在事实错误和信息完整性存在不一致。作者认为， ChatGPT对复杂骨科问题的自由文本回答是可靠的，对骨科医生和患者均有用。

然而，M Bortoli等也评估三中生成式AI ChatGPT 3.5、BingChat和ChatGPT 4.0 回答关于人工关节感染（PJI）问题的性能，得出不同结论。结果发现，所有接受检查的AI的诊断和治疗回答平均为“好到非常好”。然而，BingChat评分在治疗环境中显著较低。考官之间的评分一致性非常差。作者认为，尽管专家对AI回复的质量给予好评，但评分通常可能会有很大差异。这目前表明生成式AI工具在PJI的管理中并不可靠。

生成式AI也被用在了终末期单间室膝骨关节炎的手术方式选择评估。Musbahi等虚构32个需要手术的膝关节内侧OA患者的临床病例场景，使用ChatGPT确定患者是否应该接受膝关节单髁置换手术，并将其与经验丰富医生的总体判断这一金标准作对照。结果发现，外科医生和ChatGPT之间仅在5种临床场景存在分歧（15.6%）。以外科医生的决定为金标准，ChatGPT在确定患者是否应该接受UKR方面的敏感性为0.91。ChatGPT的阳性预测值为0.87。ChatGPT对其UKR决策更有信心。作者认为，ChatGPT可以做出手术决策，并且在决定患者是否最适合UKR时，超出了经验丰富的膝关节外科医生的信心。

Ryan等评估AI在骨科领域的新用途：为专业医学教育生成内容。ChatGPT为5个全关节置换相关主题创建教育性内容并进行评估。结果显示ChatGPT创建的骨科内容优于研究员（P ≤ .001）。ChatGPT在响应时间上胜过研究员，平均响应时间为16.6秒，而研究员每个提示需要94分钟。作者认为，凭借其高效准确的内容生成能力，ChatGPT可以作为辅助工具的潜力，以增强骨科关节置换研究生医学教育。未来的研究需要进一步探索AI的角色，并优化其在增强关节置换学员教育发展中的实用性。

PART 02

AI在骨关节影像学方面的应用

（1）AI在DDH影像诊断中的应用新进展

人工智能在髋关节发育不良（DDH）的诊断中应用广泛，主要体现在X线等影像的辅助诊断上。通过深度学习和卷积神经网络（CNN）等技术，AI系统能够自动识别髋关节的标准冠状切面，并测量相关参数，从而提高诊断的准确性。也有研究开发了深度学习系统来辅助成人DDH的Crowe分型培训，这有助于医学生和临床医生更好地理解和诊断DDH。

Magnéli等开发另一种深度学习模型，在X线平片上诊断DDH，并根据其严重程度进行分类。作者收集571例患者的盆腔X光片，利用Imagenet VGG16 卷积神经网络（CNN）上的预训练。结果显示，模型的准确率为68%-73.5%。作者认为，深度学习模型可以高精度地区分正常髋关节和发育不良髋关节。

Jang等使用一种深度学习（DL）算法来测量与髋关节发育不良相关的角度，并应用该算法确定人群中发育不良的患病率。纳入3869名患者。结果显示，该算法在测量值与人工测量中没有显着差异（P>.05），并且对分类有很好的一致性。使用不同临界值，发育不良髋关节患病率从2.5%到20%不等。作者认为，该DL算法可以用来测量和分类轻度髋关节发育不良的髋关节。在大型患者人群列中，DDH的患病率取决于测量值和阈值。其中12.4%的DDH患者存在接受THA手术的风险。

图1根据文献规定的阈值，对髋关节进行分类的AI算法分类矩阵，以判断其是否为发育不良。

Chen等荟萃分析人工智能AI辅助诊断髋关节发育不良（DDH）的效果。共纳入13项研究（6项前瞻性和7项回顾性），涉及28个AI模型和总共10,673个样本。总敏感性、特异性、AUC值和DOC值分别为99.0% 、94.0%、99.0%和1342。作者认为AI辅助成像对DDH检测具有很高的诊断效能，提高了早期DDH成像检查的准确性。

（2）AI在股骨头坏死影像诊断中的应用新进展

基于深度学习等的AI算法能够通过分析医学影像，如X线、CT和MRI图像，来识别和量化股骨头坏死的病灶，从而提高诊断的准确性和效率。AI技术不仅在股骨头坏死的早期检测和分期方面表现出色，AI在图像分割和病灶定位方面也展现了强大的能力。

Shen等一项多中心研究通过卷积神经网络模型对ONFH进行分类。结果发现CNN的表现优于或与副主任医生相当。作者认为，CNN在分类ONFH和正确定位坏死区域方面是可行和稳健的。使用深度学习对ONFH进行高准确度和泛化性的分类可能有助于预测股骨头塌陷和临床决策制定。

Rakhshankhah等开发一种新的深度学习模型通过分析骨盆前后位X线影像来诊断股骨头缺血坏死。研究纳入1167个X线片。研究结果显示，SVM在股骨头缺血坏死检测中的性能（AUC = 82.88%）略高于经验较少的放射科医师（79.68%），略低于经验丰富的放射科医师（88.4%），但差异不显著（p值> 0.05）。SVM在预测股骨头塌陷中的性能，AUC为73.58%，显示出比经验较少的放射科医师显著更高的性能（AUC = 60.70%，p值< 0.001）。ANFIS算法在股骨头坏死检测中的AUC为86.60%，显示出比经验较少的放射科医师显著更高的性能（AUC = 79.68%，p值= 0.04）。作者认为，SVM和ANFIS算法作为放射影像中股骨头缺血坏死检测的诊断工具的显著能力。它们能够以显著的效率实现高准确度，使它们成为早期检测和干预的有前途的候选者，最终有助于改善患者的预后。

图2向量支持机算法与放射专家对比

（3）AI在膝骨关节炎影像诊断中的应用新进展

近年来，AI技术被广泛应用于KOA的影像学诊断、严重程度评估以及疾病进展预测中。AI在膝关节骨关节炎的诊断中展现了巨大的潜力，不仅提高了诊断的准确性，还加快了诊断过程，并为疾病的早期发现和精准治疗提供了有力支持。在影像学诊断方面，AI技术已经显示出其在提高诊断准确性和速度方面的潜力。例如，深度学习模型被用于膝关节MRI图像的智能分割和测量分析，能够全自动分割膝关节的多个结构，并测量积液体积和肌肉含量。CNN模型可以用于区分正常膝关节和骨关节炎膝关节，并可以根据KL分类系统对严重程度进行分类。AI在早期诊断方面也显示出巨大潜力。例如，深度学习技术已被用于膝关节软骨MR图像的分割，以提高早期诊断的精度。AI还在疾病严重程度评估和风险预测方面发挥作用，还被用于预测膝关节骨关节炎的疾病进展。

Fei等使用VGG16、EfficientNetV2 small、ResNet34和DenseNet196四种神经网络模型对膝骨关节炎进行细致评估。认为这四种DL模型都可以基于膝关节X线片自动、快速且准确地评估和诊断膝骨关节炎。人工智能模型可以通过量化各种标志性特征的严重程度来展示膝骨关节炎的细微进展。

Alyami等基于Osteoarthritis Initiative MRI数据集，开发一个结合EfficientNet-B3和ResNext-101架构的集成深度学习模型来精确预测膝骨关节炎。结果发现这种DL模型在OAI数据集预测膝骨关节炎的准确率为93%，可以精准捕捉膝骨关节炎进展的细微变化。增强方法增强了它的弹性。作者认为，AI算法可以准确预测膝关节骨关节炎病程。

Nagarajan等使用四种不同的DL模型对膝关节软骨组织病理学图像进行识别，来评估膝骨关节炎的范围和严重程度。结果DenseNet121模型的准确率为84%，并与医学专家的判定一致。作者认为，DL模型可以解释软骨退化的程度，并判定OA严重程度。

（4）AI在髋膝关节假体识别、测量、大小预测中的应用新进展

全球范围内，人工髋膝关节置换术在数量不断增长，这将导致对关节翻修术的需求增加。术前计划，包括识别原有假体，对于成功的翻修手术至关重要。A有望帮助临床决策，包括识别髋膝关节假体。既往的研究存在局限性，例如数据集较小、不同设计、可扩展性有限以及需要专业AI知识等。随着大数据集的使用、新AI算法的研发，这一领域进展迅速。

Antonson等采用计算机辅助设计建模和MATLAB处理和操作衍生成27,020张图像图像，用来训练、验证和测试一个可以实现自动评估的新型卷积神经网络模型。结果此模型区分9种假体的平均准确率达到为97.4%，敏感性88.4%，特异性为98.5%。作者认为，CNN算法检测技术可以准确识别放射学相似的假体。

图3 创建训练图像的过程总结。

图4新衍生生成的特殊图像

Karnuta等收集4,724张膝关节前后位平片来训练、验证并外部测试一个深度学习系统，该系统能够识别来自4个制造商的9种型号假体。经过深度学习系统1,000次训练周期后，该系统在744张前后位平片的外部测试数据集中，以0.989的平均接收者操作特征曲线下面积、97.4%的准确性、89.2%的敏感性和99.0%的特异性区分了9种假体型号。软件以平均每张图像0.02秒的速度对假体进行分类。作者认为，AI算法用于识别膝关节置换手术假体时表现出色，这一技术在协助膝关节翻修术的术前规划中的应用潜力较大。

术前准确估计假体大小对于准备髋膝关节置换术至关重要。但是，这项任务对医生来说既费时又费力，有时甚至无法完成。为了减轻外科医生的负担，越来越多的AI算法被开发出来来预测植入物的大小。

Yu等收集714例行TKA手术的骨关节炎患者1412张膝关节正侧位X线图像，使用AI算法预测植入假体大小，并与术中实际使用的数据进行对比。结果显示AI算法预测的股骨侧及胫骨侧假体大小与实际仅差一个型号（±1）。作者认为，仅基于简单的X线图像AI算法对假体尺寸具有较高预测能力。这可以帮助外科医生减少全膝关节置换术术前准备所需的时间和劳动力。

Rouzrokh等使用241,419张X光片训练一种自动监测THA假体的DL工具：THA-AID，可以识别20种股骨侧和8种髋臼侧的常见假体。结果显示THA-AID在股骨和髋臼假体的内部测试准确率为98.9%，在外部测试集上准确率也达到97.0%。作者认为，AI工具THA-AID是可以从X光片自动识别假体，并具有卓越的性能。

图5 THA-AID 识别假体流程

Salman等系统评价AI模型预测TKA假体大小的可靠性。共纳入四项观察性研究，涉及至少34,547名患者。在这些AI模型中，TKA股骨侧假体预测的准确性在88.3%到99.7%之间，偏差为1个尺寸，而胫骨侧假体准确性在90到99.9%，偏差±1个尺寸。作者认为，AI算法作为预测TKA假体尺寸方面表现出令人满意的可靠性。

PART 03

AI在TJA术后预测方面的应用新进展

（1）预测术后再入院、术后死亡等风险

关节置换术后再入院对患者来说是一个负担，同时也对医疗系统造成压力。识别可能导致患者再次入院的风险因素是优化手术结果的关键。使用机器学习（ML）算法，包括自然语言处理（NLP）技术，可以帮助预测哪些患者有较高的再次入院风险。

Digumarthi等收集38,581例全关节置换手术的数据集并训练一个随机森林机器学习模型，以预测患者出院后30天内急诊科（ED）就诊或非计划再入院情况。提取病例的98个特征，包括实验室结果、诊断、生命体征、药物史等。使用从Clinical BERT微调的自然语言处理（NLP）模型，为每位患者基于他们的临床病历生成一个NLP风险评分特征。该模型在工作者操作特征曲线下面积（AUC）达到0.738（95%置信区间，0.724至0.754），在精确度-召回曲线下面积（AUPRC）达到0.406（95%置信区间，0.384至0.433）。这些指标表明该模型能够在全关节置换手术的背景下准确区分再入院和非再入院病例。

Labott等使用四个独立的ML模型（随机森林、梯度提升、自适应提升和弹性网络逻辑回归），以预测门诊单髁膝关节置换术（UKA）后意外住院的因素。作者回顾评估2006年至2018年间接受UKA的2,521名患者，其中有103名（4.1%）在门诊UKA术后后至少需要一次住院过夜。基于内部验证的判别能力，ML集成模型实现最佳性能（AUROC= 87.3），超越了单独模型和常规逻辑回归（AUROC=81.9-85.7）。作者认为，集成梯度提升ML算法在识别接受UKA的患者中导致意外住院的因素方面表现出最高的性能。这个工具允许医生和医疗系统识别在UKA后需要住院护理风险更高的患者。

Fares等系统评估使用AI、自然语言处理和机器学习工具预测骨科手术后再入院率。共纳入26项研究。结果显示所有模型的平均值为0.71，表明预测性水平合理。当比较不同领域之间预测模型的准确性时，发现髋关节/膝关节置换术后再入院的预测模型具有更高的准确性。

Pean等开发3个ML模型（极端梯度提升、随机森林和弹性网络逻辑回归）（NEPLR）来预测从2013年到2020年接受翻修TJA的成年患者术后30天死亡情况。结果显示所有模型的准确性相同（Brier得分=0.005），并展现出相似的卓越区分度，接收者操作特征曲线下面积（AUCs）也相似（极端梯度提升=0.94，随机森林=NEPLR=0.93）。作者认为ML模型在预测翻修TJA后术后30天死亡率方面优于传统风险评估指数。

（2）预测术后生活质量、风险评估等方面的应用

人工关节置换手术的一个重要目的是减轻疼痛并提高患者的整体生活质量。然而尽管现代外科技术的不断进步，但仍有部分患者对手术结果并不满意。机器学习（ML）算法能够识别影响关节置换术后结果的患者特征，为更有针对性的干预打开了大门。

Jennifer Hunter等使用机器学习（ML）算法识别在TKA术后不同时间点影响患者报告结果测量的患者特征。该算法确定了5个患者集群，这些集群因人口统计学、合并症和疼痛评分而异。每个聚类都与跨时间点的PROMIS GH-P 评分的可预测趋势相关。值得注意的是，术前PROMIS GH-P 评分最差的患者（第5组）在TKA后改善最大，而术前总体健康评分较高的患者改善较轻微（第1、2和3组）。作者认为，无监督ML算法识别了TKA后PROM发生可预测变化的患者集群。ML算法将为每位关节置换术患者提供精准医疗服务提供可能。

Lu等使用使用无监督随机森林算法对7,425名接受机器人THA手术的患者进行风险分层。结果，3,135名和4,290名患者分别被识别为高风险和低风险亚组。作者认为，使用ML聚类方法可以确定接受机器人THA的患者具有临床意义的风险层。

Karlin等系统综述使用监督式机器学习技术预测初次关节置换术后患者预后情况。作者纳入30项相关研究，涉及TKA（12项）、THA（11项）。结果仅不到35%的预测结果的接收者操作特征曲线下面积（AUC）处于优秀或杰出范围。作者认为，监督式机器学习算法是强大的工具，已经被越来越多地应用于预测全关节置换术后患者的预后。然而，这些算法应该在预后准确性等方面需接受批判性评估和验证。

总之，2024年度人工智能（AI）技术在人工关节外科领域的应用正不断取得新的进展。不论是生成式AI对患者问题的回答，或者手术前规划预测假体大小、下肢力线和假体角度，或者在膝骨关节炎、股骨头坏死等骨关节疾病的影像识别，或者预测髋膝关节置换术后预后等等方面，均取得很多进展。A随着技术的不断发展，预计AI将在提高手术精度、优化患者治疗结果以及降低手术并发症发生率等方面发挥更大的潜力，也必将极大地提高了手术的成功率和患者的满意度。

李海峰教授

中国人民解放军总医院骨科医学部关节外科

致力于机器人、人工智能等技术在骨关节领域的研究与临床应用。

擅长机器人辅助单髁、全膝和全髋置换，关节周围畸形、创伤骨折后遗症的截骨矫形以及肩肘踝关节置换等手术。

任中国生物医学工程学会医学人工智能分会智能外科学组副组长

中国老年学与老年医学会骨科分会数智骨科学组委员

中国老年学与老年医学会骨科分会保膝学组委员

中国老年保健学会骨关节分会学组委员

北京市医学会骨科学分会关节外科学组青年委员

北京市医学会骨科学分会骨感染学组委员

北京市医学会解剖分会关节外科学组秘书等。

参考文献

1 Aleksander P Mika, J Ryan Martin, Stephen M Engstrom, Gregory G Polkowski, Jacob M Wilson.Assessing ChatGPT Responses to Common Patient Questions Regarding Total Hip Arthroplasty.J Bone Joint Surg Am.2023 Oct 4;105(19):1519-1526.doi: 10.2106/JBJS.23.00209.

2 Matthew L. Magruder; Ariel N. Rodriguez; Che Hang Jason Wong; Orry Erez; Nicolás S. Piuzzi; et alAssessing Ability for ChatGPT to Answer Total Knee Arthroplasty-Related QuestiThe Journal of Arthroplasty 10.1016/j.arth.2024.02.023

3 Sandeep S Bains,Jeremy A Dubin,Daniel Hameed,Oliver C Sax,Scott Douglas,Michael A Mont,et al.Use and Application of Large Language Models for Patient Questions Following Total Knee Arthroplasty.J Arthroplasty.2024 Sep;39(9):2289-2294.doi: 10.1016/j.arth.2024.03.017.

4 Siyuan Zhang, Zi Qiang Glen Liau, Kian Loong Melvin Tan, Wei Liang Chua.Evaluating the accuracy and relevance of ChatGPT responses to frequently asked questions regarding total knee replacement.Knee Surg Relat Res.2024 Apr 2;36(1):15.doi: 10.1186/s43019-024-00218-5.

5 Walter L. Taylor; Ryan Cheng; Aaron I. Weinblatt; Victoria Bergstein; William J. Long .An Artificial Intelligence Chatbot is an Accurate and Useful Online Patient Resource Prior to Total Knee Arthroplasty.The Journal of Arthroplasty.2024-02-11 https://doi.org/10.1016/j.arth.2024.02.005

6JaeWon Yang; Kyle S. Ardavanis; Katherine Slack; Navin D. Fernando; Craig J. Della Valle; et al. Chat Generative Pretrained Transformer (ChatGPT) and Bard: Artificial Intelligence Does not yet Provide Clinically Supported Answers for Hip and Knee Osteoarthritis.Journal of Arthroplasty. 2024 年 5 月;39(5):1184-1190.https://doi.org/10.1016/j.arth.2024.01.029.

7 Benjamín Wright; Michael S. Bodnar; Andrew Moore; Meghan Maseda; Michael P. Kucharik; et al .Is ChatGPT a trusted source of information for total hip and knee arthroplasty patients?Bone & Joint Open 2024 月;5(2):139-146.https://boneandjoint.org.uk/article/10.1302/2633-1462.52.BJO-2023-0113.R1/pdf

8 Xiaojun Hu , Marcel Niemann, Arne Kienzle , Karl Braun , David Alexander Back , Clemens Gwinner , Nora Renz , Ulrich Stoeckle , Andrej Trampuz , Sebastian Meller Evaluating ChatGPT responses to frequently asked patient questions regarding periprosthetic joint infection after total hip and knee arthroplasty.Digit Health.2024 Aug 9 doi: 10.1177/20552076241272620.

9 M Bortoli , M Fiore , S Tedeschi, V Oliveira , R Sousa , A Bruschi , D A Campanacci , P Viale , M De Paolis ,GPT-based chatbot tools are still unreliable in the management of prosthetic joint infections. A Sambri.Musculoskelet Surg,2024 Jul 2. doi: 10.1007/s12306-024-00846-w.

10Alexander Draschl , Georg Hauer , Stefan Franz Fischerauer , Angelika Kogler , Lukas Leitner , Are ChatGPT's Free-Text Responses on Periprosthetic Joint Infections of the Hip and Knee Reliable and Useful?J Clin Med. 2023 Oct 20;12(20):6655。doi: 10.3390/jcm12206655.

11 Omar Musbahi , Martine Nurek , Kyriacos Pouris , Martinique Vella-Baldacchino , Alex Bottle , Caroline Hing , Olga Kostopoulou , Justin P Cobb , Gareth G Jones. Can ChatGPT make surgical decisions with confidence similar to experienced knee surgeons?Knee. 2024 Sep 9:51:120-129.doi: 10.1016/j.knee.2024.08.015..

12 Ryan DeCook, Brian T Muffly, Sania Mahmood, Christopher T Holland, Ayomide M Ayeni, Michael P Ast, AI-Generated Graduate Medical Education Content for Total Joint Arthroplasty: Comparing ChatGPT Against Orthopaedic Fellows.Arthroplast Today. 2024 Jun 4:27:101412 doi: 10.1016/j.artd.2024.101412.

13 Martin Magnéli , Alireza Borjali , Eiji Takahashi , Michael Axenhus , Henrik Malchau, Orhun K Moratoglu , Kartik M Varadarajan.Application of deep learning for automated diagnosis and classification of hip dysplasia on plain radiographs.BMC Musculoskelet Disord. 2024 Feb 9;25(1):117.doi: 10.1186/s12891-024-07244-0.

14 Seong Jun Jang , Daniel A Driscoll , Christopher G Anderson , Ruba Sokrab , Dimitrios A Flevas , David J Mayman , Jonathan M Vigdorchik , Seth A Jerabek , Peter K Sculco Arthroplast Today.Radiographic Findings Associated With Mild Hip Dysplasia in 3869 Patients Using a Deep Learning Measurement Too. 2024 Jun 18:28:101398. doi: 10.1016/j.artd.2024.101398.

15 Min Chen , Ruyi Cai , Aixia Zhang , Xia Chi , Jun Qian l.The diagnostic value of artificial intelligence-assisted imaging for developmental dysplasia of the hip: a systematic review and meta-analysis.J Orthop Surg Res. 2024 Aug 29;19(1):522. doi: 10.1186/s13018-024-05003-4.

16 Xianyue Shen, Jia Luo, Xiongfeng Tang, Bo Chen, Yanguo Qin, You Zhou, Jianlin Xiao .Deep Learning Approach for Diagnosing Early Osteonecrosis of the Femoral Head Based on Magnetic Resonance Imaging.J Arthroplasty. 2023 Oct;38(10):2044-2050.doi: 10.1016/j.arth.2022.10.003. Epub 2022 Oct 13.

17 Xianyue Shen, Ziling He , Yi Shi , Tong Liu , Yuhui Yang , Jia Luo , Yanguo Qin.Development and Validation of an Automated Classification System for Osteonecrosis of the Femoral Head Using Deep Learning Approach: A Multicenter Study.J Arthroplasty. 2024 Feb;39(2):379-386.e2. doi: 10.1016/j.arth.2023.08.018. Epub 2023 Aug 11.

18 Nima Rakhshankhah, Mahdi Abbaszadeh, Atefeh Kazemi , Soroush Soltan Rezaei , Saeid Roozpeykar , Masoud Arabfard.Deep learning approach to femoral AVN detection in digital radiography: differentiating patients and pre-collapse stages.BMC Musculoskelet Disord. 2024 Jul 16;25(1):547。doi: 10.1186/s12891-024-07669-7.

19 Michael Fei, Sarah Lu, Jun Ho Chung, Sherif Hassan, Joseph Elsissy, Brian A Schneiderman.Diagnosing the Severity of Knee Osteoarthritis Using Regression Scores From Artificial Intelligence Convolution Neural Networks.Orthopedics. 2024 Sep-Oct;47(5):e247-e254. doi: 10.3928/01477447-20240718-02. Epub 2024 Jul 29.

20 Jaber Alyami.Identification of Severe Grading in Knee OsteoArthritis from MRI using Ensemble Deep Learning.Curr Med Imaging. 2024:20:e15734056289963.DOI: 10.2174/0115734056289963240318040945

21 Lacksaya Nagarajan , Aadyant Khatri , Arnav Sudan , Raju Vaishya , Sourabh Ghosh .Deep Learning Augmented Osteoarthritis Grading Standardization.Tissue Eng Part A. 2024 Oct;30(19-20):591-604. doi: 10.1089/ten.TEA.2023.0206. Epub 2023 Dec 15.

22 Neil W Antonson, Brandt C Buckner, Beau S Konigsberg, Curtis W Hartman, Kevin L Garvin, Beau J Kildow.Novel Technique for the Identification of Hip Implants Using Artificial Intelligence.J Arthroplasty.2024 May;39(5):1178-1183.doi: 10.1016/j.arth.2024.02.001. Epub 2024 Feb 7.

23 Jaret M Karnuta, Hashim J F Shaikh, Michael P Murphy, Nicholas M Brown, Artificial Intelligence for Automated Implant Identification in Knee Arthroplasty: A Multicenter External Validation Study Exceeding 3.5 Million Plain Radiographs.J Arthroplasty.2023 Oct;38(10):2004-2008.doi: 10.1016/j.arth.2023.03.039.

24 Yeuni Yu , Yoon Jae Cho, Sohee Park , Yun Hak Kim, Tae Sik Goh.Development of an artificial intelligence model for predicting implant size in total knee arthroplasty using simple X-ray images.J Orthop Surg Res. 2024 Aug 27;19(1):516. doi: 10.1186/s13018-024-05013-2.

25 Pouria Rouzrokh , John P Mickley , Bardia Khosravi , Shahriar Faghani , Mana Moassefi , William R Schulz , Bradley J Erickson , Michael J Taunton , Cody C Wyles.THA-AID: Deep Learning Tool for Total Hip Arthroplasty Automatic Implant Detection With Uncertainty and Outlier Quantification.J Arthroplasty. 2024 Apr;39(4):966-973.e17.doi: 10.1016/j.arth.2023.09.025. Epub 2023 Sep 26.

26 Loay A Salman, Harman Khatkar, Abdallah Al-Ani, Osama Z Alzobi , Abedallah Abudalou.Reliability of artificial intelligence in predicting total knee arthroplasty component sizes: a systematic review.Eur J Orthop Surg Traumatol. 2024 Feb;34(2):747-756. doi: 10.1007/s00590-023-03784-8. Epub 2023 Nov 27.

27 Varun Digumarthi , Tapan Amin, Samuel Kanu, Joshua Mathew, Bryan Edwards, Lisa A Peterson, Matthew E Lundy, Karen E Hegarty.Preoperative prediction model for risk of readmission after total joint replacement surgery: a random forest approach leveraging NLP and unfairness mitigation for improved patient care and cost-effectiveness.J Orthop Surg Res. 2024 May 10;19(1):287. doi: 10.1186/s13018-024-04774-0.

28 Joshua R Labott, Yining Lu, Harold I Salmons, Christopher L Camp, Cody C Wyles, Michael J Taunton.Health and Socioeconomic Risk Factors for Unplanned Hospitalization Following Ambulatory Unicompartmental Knee Arthroplasty: Development of a Patient Selection Tool Using Machine Learning.J Arthroplasty. 2023 Oct;38(10):1982-1989.doi: 10.1016/j.arth.2023.01.026. Epub 2023 Jan 26.

29 Mohamad Y Fares, Harry H Liu, Ana Paula Beck da Silva Etges, Benjamin Zhang, Jon J P Warner, Jeffrey J Olson, Catherine J Fedorka,Utility of Machine Learning, Natural Language Processing, and Artificial Intelligence in Predicting Hospital Readmissions After Orthopaedic Surgery: A Systematic Review and Meta-Analysis.JBJS Rev. 2024 Aug 22;12(8). doi: 10.2106/JBJS.RVW.24.00075.

30 Christian A Pean, Anirudh Buddhiraju, Michelle R Shimizu, Tony L-W Chen, John G Esposito, Young-Min Kwon.Prediction of 30-Day Mortality Following Revision Total Hip and Knee Arthroplasty: Machine Learning Algorithms Outperform CARDE-B, 5-Item, and 6-Item Modified Frailty Index Risk Scores. JArthroplasty.2024Nov;39(11):2824-2830.doi:10.1016/j.arth.2024.05.056.

31 Jennifer Hunter , Farzan Soleymani , Herna Viktor , Wojtek Michalowski , Stéphane Poitras , Paul E Beaulé.Using Unsupervised Machine Learning to Predict Quality of Life After Total Knee Arthroplasty.J Arthroplasty. 2024 Mar;39(3):677-682. doi: 10.1016/j.arth.2023.09.027. Epub 2023 Sep 26.

32 Yining Lu , Harold I Salmons , John P Mickley , Nicholas A Bedard, Michael J Taunton , Cody C Wyles.Defining Clinically Meaningful Subgroups for Risk Stratification in Patients Undergoing Revision Total Hip Arthroplasty: A Combined Unsupervised and Supervised Machine Learning Approach.J Arthroplasty.2023 Oct;38(10):1990-1997.e1. doi: 10.1016/j.arth.2023.06.027. Epub 2023 Jun 17.

33 Elan A Karlin , Charles C Lin , Morteza Meftah, James D Slover, Ran Schwarzkopf.The Impact of Machine Learning on Total Joint Arthroplasty Patient Outcomes: A Systemic Review.J Arthroplasty. 2023 Oct;38(10):2085-2095. doi: 10.1016/j.arth.2022.10.039. Epub 2022 Oct 29.

骨今中外

中国骨科新媒体的领跑者，专注服务于32万+ 中国骨科医生及从业人员。聚焦于骨科实用手术技术的传播，免费学术资源的分享，互联网思维的结合创新与应用。