引用本文： 吳東, 劉星宇, 張逸凌, 陳繼營, 唐佩福, 柴偉. 人工智能輔助全髖關節置換術三維規劃系統的研發及臨床應用研究. 中國修復重建外科雜志, 2020, 34(9): 1077-1084. doi: 10.7507/1002-1892.202005007 復制
全髖關節置換術（total hip arthroplasty，THA）是治療終末期髖關節疾病的常用術式。隨著手術技術的不斷提高[1-2]、假體材料與設計的不斷改進[3]，該術式療效得到明顯提高[4-6]。但由于假體設計及型號日益多樣化，術中假體類型選擇難度較大[7]。目前，國內 THA 術前規劃軟件匱乏，僅有極少數醫院使用 Orthoview 等二維術前規劃軟件，大多數醫院仍采用膠片模板測量方法進行術前規劃[6]。二維術前規劃軟件受 X 線片放大率以及拍攝時投照角度的影響較大，準確性低，且術后易發生下肢不等長、髖關節不穩定等并發癥[8]。為解決上述問題，三維術前規劃軟件應運而生，但此類軟件操作繁瑣、耗時較長[9]。而且由于我國髖關節手術平均術前住院時間較短[10]，此類軟件難以滿足臨床需要。此外，由于技術條件以及相關 THA 術前規劃軟件版權的限制，目前我國臨床尚未能推廣此類三維術前規劃軟件。
深度學習技術在人工智能醫學圖像臨床應用方面具有廣闊應用前景。髖關節病變主要表現為骨性結構的改變，其 CT 圖像特征明顯，深度學習技術可進行穩定識別[11-12]，非常適用于髖關節疾病的診斷與術前規劃。利用人工智能深度學習技術可快速、準確識別解剖位點，匹配所需假體型號，有望實現高效術前規劃，從根本上解決現階段術前規劃軟件效率低、速度慢、不準確等問題，降低 THA 術后并發癥的發生，提升手術效果。
中國人民解放軍總醫院第一醫學中心骨科首次將人工智能技術應用于 THA 術前規劃軟件中，針對手術特點，基于深度學習技術構建了人工智能輔助全髖關節置換術三維規劃系統（AIHIP；北京長木谷醫療科技有限公司），并進行了臨床驗證，旨在探討 AIHIP 系統術前規劃的準確性及有效性。報告如下。
1 AIHIP 系統術前規劃
1.1 CT 圖像數據庫的建立及深度學習神經網絡的訓練
收集 815 例患者髖關節 CT 圖像數據，包括股骨頭壞死、股骨頸骨折、髖關節發育不良、強制性脊柱炎累及雙髖等各類疾病髖關節。CT 掃描范圍從骨盆上緣至股骨小轉子下 10 cm，層厚 1 mm。拍攝時患者取仰臥位，身體置于床面中間，雙側大腿內旋，兩足尖并攏。納入數據庫前去除患者全部個人信息，僅保留影像學資料。
使用自主研發的神經網絡——G-NET 對骨質本身以及股骨區域進行分割，G-NET 的主要結構為二維 Dense-Unet，結構圖見圖1，即在 Unet 模型的基礎上引入 denseblock 結構，使分割結果更準確，相對于傳統分割方法其分割精度顯著提升。
圖1
自主研發的 G-NET 髖關節神經網絡分割原理圖
Figure1.
The schematic of the independently developed G-NET neural network for hip joint segmentation
在神經網絡訓練過程中，首先將 CT 圖像進行手動分割，并對髖部輪廓、股骨頭輪廓進行描繪；然后，針對不同疾病對神經網絡進行單獨訓練，以期在后期軟件界面中提供病種選擇，不同病種對應不同的分割神經網絡，從而實現對不同類型疾病的分割。目前初版軟件中所使用的訓練用 CT 圖像均具有相應疾病的典型特征，髖關節翻修術、髖臼缺損嚴重等復雜情況尚未納入。
1.2 THA 假體數據庫的建立
收集國內常見 THA 臼杯、球頭、內襯、股骨柄，進行逆向工程，轉化為三維模型，構建 THA 假體數據庫。見圖2。
圖2
THA 假體數據庫
Figure2.
The database of the prosthesis of THA
1.3 術前規劃部分軟件的搭建
1.3.1 導入 DICOM 圖像
導入界面如圖3 所示，分別顯示三軸聯動與三維重建顯像。軟件使用算法自動去除雜質影響，精確顯示骨質，精確實現 3 個窗口的三軸聯動。
圖3
三維重建和三軸聯動示意圖
Figure3.
3D reconstruction of the hip joint with views of trans verse section, sagittal plane, and coronal plane
1.3.2 智能分割髖臼與股骨
首先，使用上述已訓練完成的 G-NET 對髖臼及股骨進行智能分割，實現人工智能分割髖臼和股骨頭。然后，通過區域增長（region growing）等算法將骨盆和股骨完全分離，可清晰觀察股骨頭、髖臼的形態與缺損情況，為下一步安放假體提供準備。見圖4。
圖4
G-NET 智能分割骨盆和股骨效果圖
紅點示股骨頭旋轉中心
Figure4. The segmentation result of the G-NET neural networkRed point represented the rotating center of the femoral head1.3.3 骨盆矯正和相應解剖參數的自動測算
人工智能深度學習上述人工標注的大量特征點，自動識別出患髖相關解剖部位，主要包括骨盆髂前上棘、恥骨聯合、股骨小轉子及大轉子等，自動測算髖臼直徑、股骨髓腔直徑、股骨頸干角等參數，并根據雙側髂前上棘與恥骨聯合構成的骨盆前平面（APP 平面），將骨盆矯正至中立位，為匹配假體型號、角度做好準備。根據識別出的解剖部位，智能計算出患者術前雙側股骨偏心距、聯合偏心距、下肢長度的差值，為術者提供參考。見圖5。
圖5
骨盆矯正和相應解剖參數的自動測算示意圖
Figure5.
Automatic correction of the pelvis and measurement of the leg length discrepency and the combined offset
1.3.4 確定髖臼旋轉中心及臼杯尺寸
在 CT 層面髖臼側標定數個標志點，將這些標志點擬合成 1 個球體，球體半徑即髖臼半徑，并根據此數值確定假體型號。通過對人工智能神經網絡系統進行訓練，在深度學習人工標定點的基礎上，可自動識別臼杯位置及尺寸。見圖6。
圖6
臼杯神經網絡識別效果圖
Figure6.
The surface of the acetabulum identified by the neural network
1.3.5 智能測算髖臼及股骨假體最佳位置并自動放置
在前期完成骨盆矯正后，按照矯正后骨盆坐標系，以外展 40°、前傾 20° 安放臼杯假體，在原 CT 圖像上顯示導入假體的輪廓線，規劃者可根據需要，對臼杯假體的位置、型號、角度進行微調。系統根據臼杯假體表面骨質的覆蓋情況，通過假體與骨質的重合率，實時測算并顯示臼杯假體骨質覆蓋率。見圖7a。
圖7
智能測算假體的最佳位置并自動放置
a. 髖臼假體；b. 股骨假體
Figure7. Prediction of the best position for the prosthesis and palced the prosthesis automaticallya. Acetabular prosthesis; b. Femoral prosthesis
根據髓腔直徑匹配適當股骨柄，根據雙下肢長度差值以及手術前后偏心距智能匹配適當球頭，確定股骨柄旋轉中心位置后，智能匹配股骨柄旋轉中心與臼杯旋轉中心，完成股骨柄的模擬安放，在原 CT 圖像上顯示股骨柄假體的輪廓線。規劃者可根據需要，對股骨柄安放位置、型號、內外翻角度進行調整。根據前期識別出的解剖標志點變化情況，實時測算并顯示股骨柄假體安放后雙側聯合偏心距差值、雙下肢長度差值。見圖7b。
1.3.6 完成規劃并顯示相關參數
股骨假體安放完成后，根據假體截骨線，對患側股骨進行模擬截骨。規劃者可根據需要，在截骨前對假體安放位置進行調整，以調整截骨高度以及截骨角度。截骨過程中實時顯示截骨線至小轉子上緣高度。最終完成術前規劃，并顯示與術前以及與對側相比的患肢長度、聯合偏心距變化程度。見圖8。
圖8
術前規劃股骨頸截骨示意圖
Figure8.
The preoperative plan of the femoral neck osteotomy
1.3.7 模擬髖關節極限運動狀態
髖關節極限運動狀態即股骨柄和股骨鎖死后繞旋轉中心進行前屈、后伸、內收外展、內旋外旋的運動。見圖9。
圖9
模擬髖關節前屈、后伸、外展、內收運動
Figure9.
Simulation of the flexion, extension, abduction, and adduction of the hip joint
2 臨床應用
2.1 患者選擇標準
納入標準：① 單側股骨頭壞死行初次 THA；② 年齡>18 歲；③ 使用 Pinnacle 髖臼杯及 Trilock 股骨柄（DePuy 公司，美國）。排除標準：① 患者術前規劃后未行手術；② 術前影像不符合行術前規劃標準；③ 術前髖關節或身體其他部位存在活動性感染病灶。
2017 年 3 月—2020 年 5 月，60 例 THA 患者符合選擇標準納入研究，其中 30 例使用 AIHIP 系統進行術前規劃（試驗組），30 例使用膠片模板測量方式進行術前規劃（對照組）。
2.2 一般資料
試驗組：男 15 例，女 15 例；年齡 34～84 歲，平均 46.9 歲。左髖 17 例，右髖 13 例。國際骨循環學會（ARCO）分期[13]：Ⅱ期 4 例，Ⅲ期 10 例，Ⅳ期 16 例。對照組：男 16 例，女 14 例；年齡 23～69 歲，平均 47.0 歲。左髖 15 例，右髖 15 例。ARCO 分期：Ⅲ期 9 例，Ⅳ期 21 例。
兩組患者年齡、性別、術側及 ARCO 分期等一般資料比較，差異均無統計學意義（P>0.05）。
2.3 術前規劃
試驗組：患者于術前接受骨盆 CT 平掃，掃描要求：① 患者取仰臥位；② 掃描范圍：從髂前上棘至股骨小轉子下 10 cm；③ 層厚 0.8 mm。將掃描獲得的 DICOM 數據導入 AIHIP 軟件中，智能生成三維術前規劃。術者在術前根據臨床經驗，對三維術前規劃進行適當微調。
對照組：患者于術前接受骨盆正側位 X 線片檢查，X 線片拍攝要求：① 患者取仰臥位，雙下肢伸直，兩足內旋；② 拍攝范圍包括髖關節、股骨近端、恥骨、坐骨、髂骨；③ 股骨頸無投影變形；④ 髖關節各骨紋理清晰銳利，坐骨棘清晰可見。術者使用傳統膠片模板測量方法進行手工規劃。
2.4 手術方法
兩組手術均由同一組醫師完成。患者均于全麻下取健側臥位，常規雙下肢消毒鋪單。取后外側入路，逐層切開顯露股骨頸，根據術前規劃截骨高度、方向進行股骨頸截骨。取出股骨頭后，對髖臼進行顯露，并清理手術視野至可完整觀察髖臼形態。將術中所見髖臼形態與三維術前規劃中髖臼模型進行比對，參考上述計劃并根據實際情況選擇合適型號的臼杯，完成磨銼及壓配。然后對股骨髓腔進行擴髓至術前規劃的股骨側假體型號，安裝股骨側假體試模，安裝相應型號股骨球頭假體，復位后測量雙下肢長度并測試髖關節穩定性，沖洗并縫合切口。
2.5 療效評價指標
對比術中實際應用假體型號與術前規劃假體型號符合情況，分為–2、–1、0、+1、+2 等級，其中 0 級為完全符合。于兩組術前及術后即刻髖關節正側位 X 線片，測算患者雙側股骨偏心距、聯合偏心距差值[14]以及雙下肢長度差值。
2.6 統計學方法
采用 SPSS25.0 統計軟件進行分析。計量資料以均數±標準差表示，組間比較采用獨立樣本 t 檢驗；計數資料組間比較采用 χ2 檢驗、秩和檢驗或 Fisher 確切概率法；檢驗水準 α=0.05。
2.7 結果
兩組均順利完成手術。比較兩組術前計劃與術中實際應用假體型號差異，試驗組髖臼側、股骨側假體完全符合率分別為 90.0%（27/30）、83.3%（25/30），對照組為 56.7%（17/30）、53.3%（16/30）；兩組差異有統計學意義（P<0.05）。見表1。兩組術前雙側股骨偏心距差值及聯合偏心距差值、雙下肢長度差值比較，差異均無統計學意義（P>0.05）；術后即刻試驗組雙側聯合偏心距差值明顯小于對照組，差異有統計學意義（t=?2.070，P=0.044），其余兩指標組間差異無統計學意義（P>0.05）。試驗組上述指標手術前后比較，差異均無統計學意義（P>0.05）；而對照組雙側股骨偏心距差值手術前后差異有統計學意義（t=–2.570，P=0.014）。見表2。試驗組術前規劃耗時（5.02±1.22）min，較對照組的（8.29±2.08）min 明顯減少，差異有統計學意義（t=?7.431，P=0.000）。
表1
兩組術前計劃與術中實際應用假體型號比較
Table1.
Comparison of the prothesis between preoperative plan and intraoperative application
表2
兩組手術前后雙側股骨偏心距差值、雙側聯合偏心距差值以及雙下肢長度差值比較（n=30，
，mm）
Table2.
Comparison of the difference of bilateral femoral offsets, the difference of bilateral combined offsets, and the leg length discrepancy between groups (n=30, 
, mm)
3 討論
目前，國內 THA 術前規劃仍以膠片模板測量或采用二維術前規劃軟件為主，因放大率不準確[15]、拍攝投照角度存在差異[16-17]、操作繁瑣、假體型號及種類不全等問題，術前規劃常不準確，導致 THA 術后并發癥發生率較高[18-19]，嚴重影響了 THA 手術效果[20]。根據術中所見，我們認為導致本研究對照組測量不準確的主要因素包括：① 通過 X 線片無法準確測量髖臼前后徑；② X 線片所示比例標尺不準確，無法準確反映其放大率；③ 因投照角度問題，無法準確反映股骨髓腔直徑、小轉子位置，從而難以選擇假體型號、判斷股骨頸截骨高度，而股骨頸截骨高度、角度又直接決定了股骨假體大小及位置；④ 股骨旋轉、髖關節屈曲等因素影響二維模板測量雙下肢長度、股骨偏心距以及術前規劃假體型號的準確性。
以 CT 為基礎的術前規劃具有較穩定的組間一致性和組內一致性[21]，以及較強的可重復性和精準性[22]，具有代表性的軟件有比利時 Materialize 公司的 Mimics、日本 LEXI 公司的 ZedHip/ZedKnee[21]、瑞典 Symbios 公司的 HipPlan[23]。然而，這些軟件均需對髖關節 CT 圖像進行手動分割，操作較二維術前規劃軟件更復雜。此類軟件術前規劃每例患者平均耗時約 24 min[9]，而本研究試驗組采用的 AIHIP 軟件每例平均耗時僅約 5 min，術前規劃時間明顯縮短。
髖臼假體與股骨假體大小對手術效果具有重要影響，Odri 等[24]研究表明，髖臼假體過大將顯著增加 THA 術后疼痛發生率；一項隨訪時間長達 20 年的臨床研究[25]也表明，股骨柄假體不匹配將使無菌性松動發生率增加 4.2 倍。為確保術前規劃精度，本研究使用深度學習卷積神經網絡對髖關節 CT 數據進行智能分割，在保證手術規劃效率基礎上實現了精確分割，并使用計算機算法對臼杯及股骨柄進行匹配，有效預測了術中實際所需假體型號，術前計劃與實際應用髖臼側、股骨側假體匹配率均顯著高于傳統膠片模板測量方法。
股骨偏心距無法反映臼杯位置的變化，而聯合偏心距是在股骨偏心距基礎上，增加了股骨頭旋轉中心至垂直于淚滴連線切線的距離。研究表明，有效重建聯合偏心距可更好地恢復下肢功能[26-27]；術后雙下肢不等長會導致一系列術后并發癥發生[28]，是造成患者術后不滿意的主要因素[29]。因此，本軟件術前規劃主要目標是恢復患側聯合偏心距，最大限度降低術后雙下肢不等長發生率。結果表明，使用 AIHIP 軟件進行術前規劃可有效降低術后聯合偏心距差值，由于納入患者樣本量較少、部分患者入組時間較短，尚未對術后功能進行評價，有待進一步研究證實。在術后雙下肢長度差值方面，兩組差異無統計學意義，可能與術者無法準確按照術前規劃進行股骨頸截骨有關。本團隊正在研發配套的個性化 THA 手術導板，以輔助術者實現術中精確截骨[30]，有望降低患者術后下肢不等長發生率。
本研究首次將人工智能深度學習神經網絡技術與醫生的臨床經驗相結合，研發了一套人工智能 THA 術前精準診斷與規劃系統，并進行了初步的臨床驗證。研究結果表明 AIHIP 系統具有較高的準確性及可重復性，提示其在復雜髖關節手術，如先天性髖關節發育不良、髖關節翻修術以及髖關節矢狀位平衡、運動力學穩定等方面，具有巨大的臨床應用潛力。
志謝：北京長木谷醫療科技有限公司提供技術支持與 AIHIP 系統的研發。
作者貢獻：吳東負責實驗設計及實施、數據收集整理及統計分析、起草文章；劉星宇負責實驗設計及實施；張逸凌負責技術支持；陳繼營、唐佩福負責對文章的知識性內容作批評性審閱；柴偉對文章的知識性內容作批評性審閱、支持性貢獻。
利益沖突：所有作者聲明，在課題研究和文章撰寫過程中不存在利益沖突。課題經費支持沒有影響文章觀點和對研究數據客觀結果的統計分析及其報道。
機構倫理問題：本研究經中國人民解放軍總醫院醫學倫理委員會批準（倫審第 S2019-052-01 號）。
全髖關節置換術（total hip arthroplasty，THA）是治療終末期髖關節疾病的常用術式。隨著手術技術的不斷提高[1-2]、假體材料與設計的不斷改進[3]，該術式療效得到明顯提高[4-6]。但由于假體設計及型號日益多樣化，術中假體類型選擇難度較大[7]。目前，國內 THA 術前規劃軟件匱乏，僅有極少數醫院使用 Orthoview 等二維術前規劃軟件，大多數醫院仍采用膠片模板測量方法進行術前規劃[6]。二維術前規劃軟件受 X 線片放大率以及拍攝時投照角度的影響較大，準確性低，且術后易發生下肢不等長、髖關節不穩定等并發癥[8]。為解決上述問題，三維術前規劃軟件應運而生，但此類軟件操作繁瑣、耗時較長[9]。而且由于我國髖關節手術平均術前住院時間較短[10]，此類軟件難以滿足臨床需要。此外，由于技術條件以及相關 THA 術前規劃軟件版權的限制，目前我國臨床尚未能推廣此類三維術前規劃軟件。
深度學習技術在人工智能醫學圖像臨床應用方面具有廣闊應用前景。髖關節病變主要表現為骨性結構的改變，其 CT 圖像特征明顯，深度學習技術可進行穩定識別[11-12]，非常適用于髖關節疾病的診斷與術前規劃。利用人工智能深度學習技術可快速、準確識別解剖位點，匹配所需假體型號，有望實現高效術前規劃，從根本上解決現階段術前規劃軟件效率低、速度慢、不準確等問題，降低 THA 術后并發癥的發生，提升手術效果。
中國人民解放軍總醫院第一醫學中心骨科首次將人工智能技術應用于 THA 術前規劃軟件中，針對手術特點，基于深度學習技術構建了人工智能輔助全髖關節置換術三維規劃系統（AIHIP；北京長木谷醫療科技有限公司），并進行了臨床驗證，旨在探討 AIHIP 系統術前規劃的準確性及有效性。報告如下。
1 AIHIP 系統術前規劃
1.1 CT 圖像數據庫的建立及深度學習神經網絡的訓練
收集 815 例患者髖關節 CT 圖像數據，包括股骨頭壞死、股骨頸骨折、髖關節發育不良、強制性脊柱炎累及雙髖等各類疾病髖關節。CT 掃描范圍從骨盆上緣至股骨小轉子下 10 cm，層厚 1 mm。拍攝時患者取仰臥位，身體置于床面中間，雙側大腿內旋，兩足尖并攏。納入數據庫前去除患者全部個人信息，僅保留影像學資料。
使用自主研發的神經網絡——G-NET 對骨質本身以及股骨區域進行分割，G-NET 的主要結構為二維 Dense-Unet，結構圖見圖1，即在 Unet 模型的基礎上引入 denseblock 結構，使分割結果更準確，相對于傳統分割方法其分割精度顯著提升。
圖1
自主研發的 G-NET 髖關節神經網絡分割原理圖
Figure1.
The schematic of the independently developed G-NET neural network for hip joint segmentation
在神經網絡訓練過程中，首先將 CT 圖像進行手動分割，并對髖部輪廓、股骨頭輪廓進行描繪；然后，針對不同疾病對神經網絡進行單獨訓練，以期在后期軟件界面中提供病種選擇，不同病種對應不同的分割神經網絡，從而實現對不同類型疾病的分割。目前初版軟件中所使用的訓練用 CT 圖像均具有相應疾病的典型特征，髖關節翻修術、髖臼缺損嚴重等復雜情況尚未納入。
1.2 THA 假體數據庫的建立
收集國內常見 THA 臼杯、球頭、內襯、股骨柄，進行逆向工程，轉化為三維模型，構建 THA 假體數據庫。見圖2。
圖2
THA 假體數據庫
Figure2.
The database of the prosthesis of THA
1.3 術前規劃部分軟件的搭建
1.3.1 導入 DICOM 圖像
導入界面如圖3 所示，分別顯示三軸聯動與三維重建顯像。軟件使用算法自動去除雜質影響，精確顯示骨質，精確實現 3 個窗口的三軸聯動。
圖3
三維重建和三軸聯動示意圖
Figure3.
3D reconstruction of the hip joint with views of trans verse section, sagittal plane, and coronal plane
1.3.2 智能分割髖臼與股骨
首先，使用上述已訓練完成的 G-NET 對髖臼及股骨進行智能分割，實現人工智能分割髖臼和股骨頭。然后，通過區域增長（region growing）等算法將骨盆和股骨完全分離，可清晰觀察股骨頭、髖臼的形態與缺損情況，為下一步安放假體提供準備。見圖4。
圖4
G-NET 智能分割骨盆和股骨效果圖
紅點示股骨頭旋轉中心
Figure4. The segmentation result of the G-NET neural networkRed point represented the rotating center of the femoral head1.3.3 骨盆矯正和相應解剖參數的自動測算
人工智能深度學習上述人工標注的大量特征點，自動識別出患髖相關解剖部位，主要包括骨盆髂前上棘、恥骨聯合、股骨小轉子及大轉子等，自動測算髖臼直徑、股骨髓腔直徑、股骨頸干角等參數，并根據雙側髂前上棘與恥骨聯合構成的骨盆前平面（APP 平面），將骨盆矯正至中立位，為匹配假體型號、角度做好準備。根據識別出的解剖部位，智能計算出患者術前雙側股骨偏心距、聯合偏心距、下肢長度的差值，為術者提供參考。見圖5。
圖5
骨盆矯正和相應解剖參數的自動測算示意圖
Figure5.
Automatic correction of the pelvis and measurement of the leg length discrepency and the combined offset
1.3.4 確定髖臼旋轉中心及臼杯尺寸
在 CT 層面髖臼側標定數個標志點，將這些標志點擬合成 1 個球體，球體半徑即髖臼半徑，并根據此數值確定假體型號。通過對人工智能神經網絡系統進行訓練，在深度學習人工標定點的基礎上，可自動識別臼杯位置及尺寸。見圖6。
圖6
臼杯神經網絡識別效果圖
Figure6.
The surface of the acetabulum identified by the neural network
1.3.5 智能測算髖臼及股骨假體最佳位置并自動放置
在前期完成骨盆矯正后，按照矯正后骨盆坐標系，以外展 40°、前傾 20° 安放臼杯假體，在原 CT 圖像上顯示導入假體的輪廓線，規劃者可根據需要，對臼杯假體的位置、型號、角度進行微調。系統根據臼杯假體表面骨質的覆蓋情況，通過假體與骨質的重合率，實時測算并顯示臼杯假體骨質覆蓋率。見圖7a。
圖7
智能測算假體的最佳位置并自動放置
a. 髖臼假體；b. 股骨假體
Figure7. Prediction of the best position for the prosthesis and palced the prosthesis automaticallya. Acetabular prosthesis; b. Femoral prosthesis
根據髓腔直徑匹配適當股骨柄，根據雙下肢長度差值以及手術前后偏心距智能匹配適當球頭，確定股骨柄旋轉中心位置后，智能匹配股骨柄旋轉中心與臼杯旋轉中心，完成股骨柄的模擬安放，在原 CT 圖像上顯示股骨柄假體的輪廓線。規劃者可根據需要，對股骨柄安放位置、型號、內外翻角度進行調整。根據前期識別出的解剖標志點變化情況，實時測算并顯示股骨柄假體安放后雙側聯合偏心距差值、雙下肢長度差值。見圖7b。
1.3.6 完成規劃并顯示相關參數
股骨假體安放完成后，根據假體截骨線，對患側股骨進行模擬截骨。規劃者可根據需要，在截骨前對假體安放位置進行調整，以調整截骨高度以及截骨角度。截骨過程中實時顯示截骨線至小轉子上緣高度。最終完成術前規劃，并顯示與術前以及與對側相比的患肢長度、聯合偏心距變化程度。見圖8。
圖8
術前規劃股骨頸截骨示意圖
Figure8.
The preoperative plan of the femoral neck osteotomy
1.3.7 模擬髖關節極限運動狀態
髖關節極限運動狀態即股骨柄和股骨鎖死后繞旋轉中心進行前屈、后伸、內收外展、內旋外旋的運動。見圖9。
圖9
模擬髖關節前屈、后伸、外展、內收運動
Figure9.
Simulation of the flexion, extension, abduction, and adduction of the hip joint
2 臨床應用
2.1 患者選擇標準
納入標準：① 單側股骨頭壞死行初次 THA；② 年齡>18 歲；③ 使用 Pinnacle 髖臼杯及 Trilock 股骨柄（DePuy 公司，美國）。排除標準：① 患者術前規劃后未行手術；② 術前影像不符合行術前規劃標準；③ 術前髖關節或身體其他部位存在活動性感染病灶。
2017 年 3 月—2020 年 5 月，60 例 THA 患者符合選擇標準納入研究，其中 30 例使用 AIHIP 系統進行術前規劃（試驗組），30 例使用膠片模板測量方式進行術前規劃（對照組）。
2.2 一般資料
試驗組：男 15 例，女 15 例；年齡 34～84 歲，平均 46.9 歲。左髖 17 例，右髖 13 例。國際骨循環學會（ARCO）分期[13]：Ⅱ期 4 例，Ⅲ期 10 例，Ⅳ期 16 例。對照組：男 16 例，女 14 例；年齡 23～69 歲，平均 47.0 歲。左髖 15 例，右髖 15 例。ARCO 分期：Ⅲ期 9 例，Ⅳ期 21 例。
兩組患者年齡、性別、術側及 ARCO 分期等一般資料比較，差異均無統計學意義（P>0.05）。
2.3 術前規劃
試驗組：患者于術前接受骨盆 CT 平掃，掃描要求：① 患者取仰臥位；② 掃描范圍：從髂前上棘至股骨小轉子下 10 cm；③ 層厚 0.8 mm。將掃描獲得的 DICOM 數據導入 AIHIP 軟件中，智能生成三維術前規劃。術者在術前根據臨床經驗，對三維術前規劃進行適當微調。
對照組：患者于術前接受骨盆正側位 X 線片檢查，X 線片拍攝要求：① 患者取仰臥位，雙下肢伸直，兩足內旋；② 拍攝范圍包括髖關節、股骨近端、恥骨、坐骨、髂骨；③ 股骨頸無投影變形；④ 髖關節各骨紋理清晰銳利，坐骨棘清晰可見。術者使用傳統膠片模板測量方法進行手工規劃。
2.4 手術方法
兩組手術均由同一組醫師完成。患者均于全麻下取健側臥位，常規雙下肢消毒鋪單。取后外側入路，逐層切開顯露股骨頸，根據術前規劃截骨高度、方向進行股骨頸截骨。取出股骨頭后，對髖臼進行顯露，并清理手術視野至可完整觀察髖臼形態。將術中所見髖臼形態與三維術前規劃中髖臼模型進行比對，參考上述計劃并根據實際情況選擇合適型號的臼杯，完成磨銼及壓配。然后對股骨髓腔進行擴髓至術前規劃的股骨側假體型號，安裝股骨側假體試模，安裝相應型號股骨球頭假體，復位后測量雙下肢長度并測試髖關節穩定性，沖洗并縫合切口。
2.5 療效評價指標
對比術中實際應用假體型號與術前規劃假體型號符合情況，分為–2、–1、0、+1、+2 等級，其中 0 級為完全符合。于兩組術前及術后即刻髖關節正側位 X 線片，測算患者雙側股骨偏心距、聯合偏心距差值[14]以及雙下肢長度差值。
2.6 統計學方法
采用 SPSS25.0 統計軟件進行分析。計量資料以均數±標準差表示，組間比較采用獨立樣本 t 檢驗；計數資料組間比較采用 χ2 檢驗、秩和檢驗或 Fisher 確切概率法；檢驗水準 α=0.05。
2.7 結果
兩組均順利完成手術。比較兩組術前計劃與術中實際應用假體型號差異，試驗組髖臼側、股骨側假體完全符合率分別為 90.0%（27/30）、83.3%（25/30），對照組為 56.7%（17/30）、53.3%（16/30）；兩組差異有統計學意義（P<0.05）。見表1。兩組術前雙側股骨偏心距差值及聯合偏心距差值、雙下肢長度差值比較，差異均無統計學意義（P>0.05）；術后即刻試驗組雙側聯合偏心距差值明顯小于對照組，差異有統計學意義（t=?2.070，P=0.044），其余兩指標組間差異無統計學意義（P>0.05）。試驗組上述指標手術前后比較，差異均無統計學意義（P>0.05）；而對照組雙側股骨偏心距差值手術前后差異有統計學意義（t=–2.570，P=0.014）。見表2。試驗組術前規劃耗時（5.02±1.22）min，較對照組的（8.29±2.08）min 明顯減少，差異有統計學意義（t=?7.431，P=0.000）。
表1
兩組術前計劃與術中實際應用假體型號比較
Table1.
Comparison of the prothesis between preoperative plan and intraoperative application
表2
兩組手術前后雙側股骨偏心距差值、雙側聯合偏心距差值以及雙下肢長度差值比較（n=30，，mm）
Table2.
Comparison of the difference of bilateral femoral offsets, the difference of bilateral combined offsets, and the leg length discrepancy between groups (n=30, , mm)
3 討論
目前，國內 THA 術前規劃仍以膠片模板測量或采用二維術前規劃軟件為主，因放大率不準確[15]、拍攝投照角度存在差異[16-17]、操作繁瑣、假體型號及種類不全等問題，術前規劃常不準確，導致 THA 術后并發癥發生率較高[18-19]，嚴重影響了 THA 手術效果[20]。根據術中所見，我們認為導致本研究對照組測量不準確的主要因素包括：① 通過 X 線片無法準確測量髖臼前后徑；② X 線片所示比例標尺不準確，無法準確反映其放大率；③ 因投照角度問題，無法準確反映股骨髓腔直徑、小轉子位置，從而難以選擇假體型號、判斷股骨頸截骨高度，而股骨頸截骨高度、角度又直接決定了股骨假體大小及位置；④ 股骨旋轉、髖關節屈曲等因素影響二維模板測量雙下肢長度、股骨偏心距以及術前規劃假體型號的準確性。
以 CT 為基礎的術前規劃具有較穩定的組間一致性和組內一致性[21]，以及較強的可重復性和精準性[22]，具有代表性的軟件有比利時 Materialize 公司的 Mimics、日本 LEXI 公司的 ZedHip/ZedKnee[21]、瑞典 Symbios 公司的 HipPlan[23]。然而，這些軟件均需對髖關節 CT 圖像進行手動分割，操作較二維術前規劃軟件更復雜。此類軟件術前規劃每例患者平均耗時約 24 min[9]，而本研究試驗組采用的 AIHIP 軟件每例平均耗時僅約 5 min，術前規劃時間明顯縮短。
髖臼假體與股骨假體大小對手術效果具有重要影響，Odri 等[24]研究表明，髖臼假體過大將顯著增加 THA 術后疼痛發生率；一項隨訪時間長達 20 年的臨床研究[25]也表明，股骨柄假體不匹配將使無菌性松動發生率增加 4.2 倍。為確保術前規劃精度，本研究使用深度學習卷積神經網絡對髖關節 CT 數據進行智能分割，在保證手術規劃效率基礎上實現了精確分割，并使用計算機算法對臼杯及股骨柄進行匹配，有效預測了術中實際所需假體型號，術前計劃與實際應用髖臼側、股骨側假體匹配率均顯著高于傳統膠片模板測量方法。
股骨偏心距無法反映臼杯位置的變化，而聯合偏心距是在股骨偏心距基礎上，增加了股骨頭旋轉中心至垂直于淚滴連線切線的距離。研究表明，有效重建聯合偏心距可更好地恢復下肢功能[26-27]；術后雙下肢不等長會導致一系列術后并發癥發生[28]，是造成患者術后不滿意的主要因素[29]。因此，本軟件術前規劃主要目標是恢復患側聯合偏心距，最大限度降低術后雙下肢不等長發生率。結果表明，使用 AIHIP 軟件進行術前規劃可有效降低術后聯合偏心距差值，由于納入患者樣本量較少、部分患者入組時間較短，尚未對術后功能進行評價，有待進一步研究證實。在術后雙下肢長度差值方面，兩組差異無統計學意義，可能與術者無法準確按照術前規劃進行股骨頸截骨有關。本團隊正在研發配套的個性化 THA 手術導板，以輔助術者實現術中精確截骨[30]，有望降低患者術后下肢不等長發生率。
本研究首次將人工智能深度學習神經網絡技術與醫生的臨床經驗相結合，研發了一套人工智能 THA 術前精準診斷與規劃系統，并進行了初步的臨床驗證。研究結果表明 AIHIP 系統具有較高的準確性及可重復性，提示其在復雜髖關節手術，如先天性髖關節發育不良、髖關節翻修術以及髖關節矢狀位平衡、運動力學穩定等方面，具有巨大的臨床應用潛力。
志謝：北京長木谷醫療科技有限公司提供技術支持與 AIHIP 系統的研發。
作者貢獻：吳東負責實驗設計及實施、數據收集整理及統計分析、起草文章；劉星宇負責實驗設計及實施；張逸凌負責技術支持；陳繼營、唐佩福負責對文章的知識性內容作批評性審閱；柴偉對文章的知識性內容作批評性審閱、支持性貢獻。
利益沖突：所有作者聲明，在課題研究和文章撰寫過程中不存在利益沖突。課題經費支持沒有影響文章觀點和對研究數據客觀結果的統計分析及其報道。
機構倫理問題：本研究經中國人民解放軍總醫院醫學倫理委員會批準（倫審第 S2019-052-01 號）。
