引用本文： 吴东, 刘星宇, 张逸凌, 陈继营, 唐佩福, 柴伟. 人工智能辅助全髋关节置换术三维规划系统的研发及临床应用研究. 中国修复重建外科杂志, 2020, 34(9): 1077-1084. doi: 10.7507/1002-1892.202005007 复制
全髋关节置换术（total hip arthroplasty，THA）是治疗终末期髋关节疾病的常用术式。随着手术技术的不断提高[1-2]、假体材料与设计的不断改进[3]，该术式疗效得到明显提高[4-6]。但由于假体设计及型号日益多样化，术中假体类型选择难度较大[7]。目前，国内 THA 术前规划软件匮乏，仅有极少数医院使用 Orthoview 等二维术前规划软件，大多数医院仍采用胶片模板测量方法进行术前规划[6]。二维术前规划软件受 X 线片放大率以及拍摄时投照角度的影响较大，准确性低，且术后易发生下肢不等长、髋关节不稳定等并发症[8]。为解决上述问题，三维术前规划软件应运而生，但此类软件操作繁琐、耗时较长[9]。而且由于我国髋关节手术平均术前住院时间较短[10]，此类软件难以满足临床需要。此外，由于技术条件以及相关 THA 术前规划软件版权的限制，目前我国临床尚未能推广此类三维术前规划软件。
深度学习技术在人工智能医学图像临床应用方面具有广阔应用前景。髋关节病变主要表现为骨性结构的改变，其 CT 图像特征明显，深度学习技术可进行稳定识别[11-12]，非常适用于髋关节疾病的诊断与术前规划。利用人工智能深度学习技术可快速、准确识别解剖位点，匹配所需假体型号，有望实现高效术前规划，从根本上解决现阶段术前规划软件效率低、速度慢、不准确等问题，降低 THA 术后并发症的发生，提升手术效果。
中国人民解放军总医院第一医学中心骨科首次将人工智能技术应用于 THA 术前规划软件中，针对手术特点，基于深度学习技术构建了人工智能辅助全髋关节置换术三维规划系统（AIHIP；北京长木谷医疗科技有限公司），并进行了临床验证，旨在探讨 AIHIP 系统术前规划的准确性及有效性。报告如下。
1 AIHIP 系统术前规划
1.1 CT 图像数据库的建立及深度学习神经网络的训练
收集 815 例患者髋关节 CT 图像数据，包括股骨头坏死、股骨颈骨折、髋关节发育不良、强制性脊柱炎累及双髋等各类疾病髋关节。CT 扫描范围从骨盆上缘至股骨小转子下 10 cm，层厚 1 mm。拍摄时患者取仰卧位，身体置于床面中间，双侧大腿内旋，两足尖并拢。纳入数据库前去除患者全部个人信息，仅保留影像学资料。
使用自主研发的神经网络——G-NET 对骨质本身以及股骨区域进行分割，G-NET 的主要结构为二维 Dense-Unet，结构图见图1，即在 Unet 模型的基础上引入 denseblock 结构，使分割结果更准确，相对于传统分割方法其分割精度显著提升。
图1
自主研发的 G-NET 髋关节神经网络分割原理图
Figure1.
The schematic of the independently developed G-NET neural network for hip joint segmentation
在神经网络训练过程中，首先将 CT 图像进行手动分割，并对髋部轮廓、股骨头轮廓进行描绘；然后，针对不同疾病对神经网络进行单独训练，以期在后期软件界面中提供病种选择，不同病种对应不同的分割神经网络，从而实现对不同类型疾病的分割。目前初版软件中所使用的训练用 CT 图像均具有相应疾病的典型特征，髋关节翻修术、髋臼缺损严重等复杂情况尚未纳入。
1.2 THA 假体数据库的建立
收集国内常见 THA 臼杯、球头、内衬、股骨柄，进行逆向工程，转化为三维模型，构建 THA 假体数据库。见图2。
图2
THA 假体数据库
Figure2.
The database of the prosthesis of THA
1.3 术前规划部分软件的搭建
1.3.1 导入 DICOM 图像
导入界面如图3 所示，分别显示三轴联动与三维重建显像。软件使用算法自动去除杂质影响，精确显示骨质，精确实现 3 个窗口的三轴联动。
图3
三维重建和三轴联动示意图
Figure3.
3D reconstruction of the hip joint with views of trans verse section, sagittal plane, and coronal plane
1.3.2 智能分割髋臼与股骨
首先，使用上述已训练完成的 G-NET 对髋臼及股骨进行智能分割，实现人工智能分割髋臼和股骨头。然后，通过区域增长（region growing）等算法将骨盆和股骨完全分离，可清晰观察股骨头、髋臼的形态与缺损情况，为下一步安放假体提供准备。见图4。
图4
G-NET 智能分割骨盆和股骨效果图
红点示股骨头旋转中心
Figure4. The segmentation result of the G-NET neural networkRed point represented the rotating center of the femoral head1.3.3 骨盆矫正和相应解剖参数的自动测算
人工智能深度学习上述人工标注的大量特征点，自动识别出患髋相关解剖部位，主要包括骨盆髂前上棘、耻骨联合、股骨小转子及大转子等，自动测算髋臼直径、股骨髓腔直径、股骨颈干角等参数，并根据双侧髂前上棘与耻骨联合构成的骨盆前平面（APP 平面），将骨盆矫正至中立位，为匹配假体型号、角度做好准备。根据识别出的解剖部位，智能计算出患者术前双侧股骨偏心距、联合偏心距、下肢长度的差值，为术者提供参考。见图5。
图5
骨盆矫正和相应解剖参数的自动测算示意图
Figure5.
Automatic correction of the pelvis and measurement of the leg length discrepency and the combined offset
1.3.4 确定髋臼旋转中心及臼杯尺寸
在 CT 层面髋臼侧标定数个标志点，将这些标志点拟合成 1 个球体，球体半径即髋臼半径，并根据此数值确定假体型号。通过对人工智能神经网络系统进行训练，在深度学习人工标定点的基础上，可自动识别臼杯位置及尺寸。见图6。
图6
臼杯神经网络识别效果图
Figure6.
The surface of the acetabulum identified by the neural network
1.3.5 智能测算髋臼及股骨假体最佳位置并自动放置
在前期完成骨盆矫正后，按照矫正后骨盆坐标系，以外展 40°、前倾 20° 安放臼杯假体，在原 CT 图像上显示导入假体的轮廓线，规划者可根据需要，对臼杯假体的位置、型号、角度进行微调。系统根据臼杯假体表面骨质的覆盖情况，通过假体与骨质的重合率，实时测算并显示臼杯假体骨质覆盖率。见图7a。
图7
智能测算假体的最佳位置并自动放置
a. 髋臼假体；b. 股骨假体
Figure7. Prediction of the best position for the prosthesis and palced the prosthesis automaticallya. Acetabular prosthesis; b. Femoral prosthesis
根据髓腔直径匹配适当股骨柄，根据双下肢长度差值以及手术前后偏心距智能匹配适当球头，确定股骨柄旋转中心位置后，智能匹配股骨柄旋转中心与臼杯旋转中心，完成股骨柄的模拟安放，在原 CT 图像上显示股骨柄假体的轮廓线。规划者可根据需要，对股骨柄安放位置、型号、内外翻角度进行调整。根据前期识别出的解剖标志点变化情况，实时测算并显示股骨柄假体安放后双侧联合偏心距差值、双下肢长度差值。见图7b。
1.3.6 完成规划并显示相关参数
股骨假体安放完成后，根据假体截骨线，对患侧股骨进行模拟截骨。规划者可根据需要，在截骨前对假体安放位置进行调整，以调整截骨高度以及截骨角度。截骨过程中实时显示截骨线至小转子上缘高度。最终完成术前规划，并显示与术前以及与对侧相比的患肢长度、联合偏心距变化程度。见图8。
图8
术前规划股骨颈截骨示意图
Figure8.
The preoperative plan of the femoral neck osteotomy
1.3.7 模拟髋关节极限运动状态
髋关节极限运动状态即股骨柄和股骨锁死后绕旋转中心进行前屈、后伸、内收外展、内旋外旋的运动。见图9。
图9
模拟髋关节前屈、后伸、外展、内收运动
Figure9.
Simulation of the flexion, extension, abduction, and adduction of the hip joint
2 临床应用
2.1 患者选择标准
纳入标准：① 单侧股骨头坏死行初次 THA；② 年龄>18 岁；③ 使用 Pinnacle 髋臼杯及 Trilock 股骨柄（DePuy 公司，美国）。排除标准：① 患者术前规划后未行手术；② 术前影像不符合行术前规划标准；③ 术前髋关节或身体其他部位存在活动性感染病灶。
2017 年 3 月—2020 年 5 月，60 例 THA 患者符合选择标准纳入研究，其中 30 例使用 AIHIP 系统进行术前规划（试验组），30 例使用胶片模板测量方式进行术前规划（对照组）。
2.2 一般资料
试验组：男 15 例，女 15 例；年龄 34～84 岁，平均 46.9 岁。左髋 17 例，右髋 13 例。国际骨循环学会（ARCO）分期[13]：Ⅱ期 4 例，Ⅲ期 10 例，Ⅳ期 16 例。对照组：男 16 例，女 14 例；年龄 23～69 岁，平均 47.0 岁。左髋 15 例，右髋 15 例。ARCO 分期：Ⅲ期 9 例，Ⅳ期 21 例。
两组患者年龄、性别、术侧及 ARCO 分期等一般资料比较，差异均无统计学意义（P>0.05）。
2.3 术前规划
试验组：患者于术前接受骨盆 CT 平扫，扫描要求：① 患者取仰卧位；② 扫描范围：从髂前上棘至股骨小转子下 10 cm；③ 层厚 0.8 mm。将扫描获得的 DICOM 数据导入 AIHIP 软件中，智能生成三维术前规划。术者在术前根据临床经验，对三维术前规划进行适当微调。
对照组：患者于术前接受骨盆正侧位 X 线片检查，X 线片拍摄要求：① 患者取仰卧位，双下肢伸直，两足内旋；② 拍摄范围包括髋关节、股骨近端、耻骨、坐骨、髂骨；③ 股骨颈无投影变形；④ 髋关节各骨纹理清晰锐利，坐骨棘清晰可见。术者使用传统胶片模板测量方法进行手工规划。
2.4 手术方法
两组手术均由同一组医师完成。患者均于全麻下取健侧卧位，常规双下肢消毒铺单。取后外侧入路，逐层切开显露股骨颈，根据术前规划截骨高度、方向进行股骨颈截骨。取出股骨头后，对髋臼进行显露，并清理手术视野至可完整观察髋臼形态。将术中所见髋臼形态与三维术前规划中髋臼模型进行比对，参考上述计划并根据实际情况选择合适型号的臼杯，完成磨锉及压配。然后对股骨髓腔进行扩髓至术前规划的股骨侧假体型号，安装股骨侧假体试模，安装相应型号股骨球头假体，复位后测量双下肢长度并测试髋关节稳定性，冲洗并缝合切口。
2.5 疗效评价指标
对比术中实际应用假体型号与术前规划假体型号符合情况，分为–2、–1、0、+1、+2 等级，其中 0 级为完全符合。于两组术前及术后即刻髋关节正侧位 X 线片，测算患者双侧股骨偏心距、联合偏心距差值[14]以及双下肢长度差值。
2.6 统计学方法
采用 SPSS25.0 统计软件进行分析。计量资料以均数±标准差表示，组间比较采用独立样本 t 检验；计数资料组间比较采用 χ2 检验、秩和检验或 Fisher 确切概率法；检验水准 α=0.05。
2.7 结果
两组均顺利完成手术。比较两组术前计划与术中实际应用假体型号差异，试验组髋臼侧、股骨侧假体完全符合率分别为 90.0%（27/30）、83.3%（25/30），对照组为 56.7%（17/30）、53.3%（16/30）；两组差异有统计学意义（P<0.05）。见表1。两组术前双侧股骨偏心距差值及联合偏心距差值、双下肢长度差值比较，差异均无统计学意义（P>0.05）；术后即刻试验组双侧联合偏心距差值明显小于对照组，差异有统计学意义（t=−2.070，P=0.044），其余两指标组间差异无统计学意义（P>0.05）。试验组上述指标手术前后比较，差异均无统计学意义（P>0.05）；而对照组双侧股骨偏心距差值手术前后差异有统计学意义（t=–2.570，P=0.014）。见表2。试验组术前规划耗时（5.02±1.22）min，较对照组的（8.29±2.08）min 明显减少，差异有统计学意义（t=−7.431，P=0.000）。
表1
两组术前计划与术中实际应用假体型号比较
Table1.
Comparison of the prothesis between preoperative plan and intraoperative application
表2
两组手术前后双侧股骨偏心距差值、双侧联合偏心距差值以及双下肢长度差值比较（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 讨论
目前，国内 THA 术前规划仍以胶片模板测量或采用二维术前规划软件为主，因放大率不准确[15]、拍摄投照角度存在差异[16-17]、操作繁琐、假体型号及种类不全等问题，术前规划常不准确，导致 THA 术后并发症发生率较高[18-19]，严重影响了 THA 手术效果[20]。根据术中所见，我们认为导致本研究对照组测量不准确的主要因素包括：① 通过 X 线片无法准确测量髋臼前后径；② X 线片所示比例标尺不准确，无法准确反映其放大率；③ 因投照角度问题，无法准确反映股骨髓腔直径、小转子位置，从而难以选择假体型号、判断股骨颈截骨高度，而股骨颈截骨高度、角度又直接决定了股骨假体大小及位置；④ 股骨旋转、髋关节屈曲等因素影响二维模板测量双下肢长度、股骨偏心距以及术前规划假体型号的准确性。
以 CT 为基础的术前规划具有较稳定的组间一致性和组内一致性[21]，以及较强的可重复性和精准性[22]，具有代表性的软件有比利时 Materialize 公司的 Mimics、日本 LEXI 公司的 ZedHip/ZedKnee[21]、瑞典 Symbios 公司的 HipPlan[23]。然而，这些软件均需对髋关节 CT 图像进行手动分割，操作较二维术前规划软件更复杂。此类软件术前规划每例患者平均耗时约 24 min[9]，而本研究试验组采用的 AIHIP 软件每例平均耗时仅约 5 min，术前规划时间明显缩短。
髋臼假体与股骨假体大小对手术效果具有重要影响，Odri 等[24]研究表明，髋臼假体过大将显著增加 THA 术后疼痛发生率；一项随访时间长达 20 年的临床研究[25]也表明，股骨柄假体不匹配将使无菌性松动发生率增加 4.2 倍。为确保术前规划精度，本研究使用深度学习卷积神经网络对髋关节 CT 数据进行智能分割，在保证手术规划效率基础上实现了精确分割，并使用计算机算法对臼杯及股骨柄进行匹配，有效预测了术中实际所需假体型号，术前计划与实际应用髋臼侧、股骨侧假体匹配率均显著高于传统胶片模板测量方法。
股骨偏心距无法反映臼杯位置的变化，而联合偏心距是在股骨偏心距基础上，增加了股骨头旋转中心至垂直于泪滴连线切线的距离。研究表明，有效重建联合偏心距可更好地恢复下肢功能[26-27]；术后双下肢不等长会导致一系列术后并发症发生[28]，是造成患者术后不满意的主要因素[29]。因此，本软件术前规划主要目标是恢复患侧联合偏心距，最大限度降低术后双下肢不等长发生率。结果表明，使用 AIHIP 软件进行术前规划可有效降低术后联合偏心距差值，由于纳入患者样本量较少、部分患者入组时间较短，尚未对术后功能进行评价，有待进一步研究证实。在术后双下肢长度差值方面，两组差异无统计学意义，可能与术者无法准确按照术前规划进行股骨颈截骨有关。本团队正在研发配套的个性化 THA 手术导板，以辅助术者实现术中精确截骨[30]，有望降低患者术后下肢不等长发生率。
本研究首次将人工智能深度学习神经网络技术与医生的临床经验相结合，研发了一套人工智能 THA 术前精准诊断与规划系统，并进行了初步的临床验证。研究结果表明 AIHIP 系统具有较高的准确性及可重复性，提示其在复杂髋关节手术，如先天性髋关节发育不良、髋关节翻修术以及髋关节矢状位平衡、运动力学稳定等方面，具有巨大的临床应用潜力。
志谢：北京长木谷医疗科技有限公司提供技术支持与 AIHIP 系统的研发。
作者贡献：吴东负责实验设计及实施、数据收集整理及统计分析、起草文章；刘星宇负责实验设计及实施；张逸凌负责技术支持；陈继营、唐佩福负责对文章的知识性内容作批评性审阅；柴伟对文章的知识性内容作批评性审阅、支持性贡献。
利益冲突：所有作者声明，在课题研究和文章撰写过程中不存在利益冲突。课题经费支持没有影响文章观点和对研究数据客观结果的统计分析及其报道。
机构伦理问题：本研究经中国人民解放军总医院医学伦理委员会批准（伦审第 S2019-052-01 号）。
全髋关节置换术（total hip arthroplasty，THA）是治疗终末期髋关节疾病的常用术式。随着手术技术的不断提高[1-2]、假体材料与设计的不断改进[3]，该术式疗效得到明显提高[4-6]。但由于假体设计及型号日益多样化，术中假体类型选择难度较大[7]。目前，国内 THA 术前规划软件匮乏，仅有极少数医院使用 Orthoview 等二维术前规划软件，大多数医院仍采用胶片模板测量方法进行术前规划[6]。二维术前规划软件受 X 线片放大率以及拍摄时投照角度的影响较大，准确性低，且术后易发生下肢不等长、髋关节不稳定等并发症[8]。为解决上述问题，三维术前规划软件应运而生，但此类软件操作繁琐、耗时较长[9]。而且由于我国髋关节手术平均术前住院时间较短[10]，此类软件难以满足临床需要。此外，由于技术条件以及相关 THA 术前规划软件版权的限制，目前我国临床尚未能推广此类三维术前规划软件。
深度学习技术在人工智能医学图像临床应用方面具有广阔应用前景。髋关节病变主要表现为骨性结构的改变，其 CT 图像特征明显，深度学习技术可进行稳定识别[11-12]，非常适用于髋关节疾病的诊断与术前规划。利用人工智能深度学习技术可快速、准确识别解剖位点，匹配所需假体型号，有望实现高效术前规划，从根本上解决现阶段术前规划软件效率低、速度慢、不准确等问题，降低 THA 术后并发症的发生，提升手术效果。
中国人民解放军总医院第一医学中心骨科首次将人工智能技术应用于 THA 术前规划软件中，针对手术特点，基于深度学习技术构建了人工智能辅助全髋关节置换术三维规划系统（AIHIP；北京长木谷医疗科技有限公司），并进行了临床验证，旨在探讨 AIHIP 系统术前规划的准确性及有效性。报告如下。
1 AIHIP 系统术前规划
1.1 CT 图像数据库的建立及深度学习神经网络的训练
收集 815 例患者髋关节 CT 图像数据，包括股骨头坏死、股骨颈骨折、髋关节发育不良、强制性脊柱炎累及双髋等各类疾病髋关节。CT 扫描范围从骨盆上缘至股骨小转子下 10 cm，层厚 1 mm。拍摄时患者取仰卧位，身体置于床面中间，双侧大腿内旋，两足尖并拢。纳入数据库前去除患者全部个人信息，仅保留影像学资料。
使用自主研发的神经网络——G-NET 对骨质本身以及股骨区域进行分割，G-NET 的主要结构为二维 Dense-Unet，结构图见图1，即在 Unet 模型的基础上引入 denseblock 结构，使分割结果更准确，相对于传统分割方法其分割精度显著提升。
图1
自主研发的 G-NET 髋关节神经网络分割原理图
Figure1.
The schematic of the independently developed G-NET neural network for hip joint segmentation
在神经网络训练过程中，首先将 CT 图像进行手动分割，并对髋部轮廓、股骨头轮廓进行描绘；然后，针对不同疾病对神经网络进行单独训练，以期在后期软件界面中提供病种选择，不同病种对应不同的分割神经网络，从而实现对不同类型疾病的分割。目前初版软件中所使用的训练用 CT 图像均具有相应疾病的典型特征，髋关节翻修术、髋臼缺损严重等复杂情况尚未纳入。
1.2 THA 假体数据库的建立
收集国内常见 THA 臼杯、球头、内衬、股骨柄，进行逆向工程，转化为三维模型，构建 THA 假体数据库。见图2。
图2
THA 假体数据库
Figure2.
The database of the prosthesis of THA
1.3 术前规划部分软件的搭建
1.3.1 导入 DICOM 图像
导入界面如图3 所示，分别显示三轴联动与三维重建显像。软件使用算法自动去除杂质影响，精确显示骨质，精确实现 3 个窗口的三轴联动。
图3
三维重建和三轴联动示意图
Figure3.
3D reconstruction of the hip joint with views of trans verse section, sagittal plane, and coronal plane
1.3.2 智能分割髋臼与股骨
首先，使用上述已训练完成的 G-NET 对髋臼及股骨进行智能分割，实现人工智能分割髋臼和股骨头。然后，通过区域增长（region growing）等算法将骨盆和股骨完全分离，可清晰观察股骨头、髋臼的形态与缺损情况，为下一步安放假体提供准备。见图4。
图4
G-NET 智能分割骨盆和股骨效果图
红点示股骨头旋转中心
Figure4. The segmentation result of the G-NET neural networkRed point represented the rotating center of the femoral head1.3.3 骨盆矫正和相应解剖参数的自动测算
人工智能深度学习上述人工标注的大量特征点，自动识别出患髋相关解剖部位，主要包括骨盆髂前上棘、耻骨联合、股骨小转子及大转子等，自动测算髋臼直径、股骨髓腔直径、股骨颈干角等参数，并根据双侧髂前上棘与耻骨联合构成的骨盆前平面（APP 平面），将骨盆矫正至中立位，为匹配假体型号、角度做好准备。根据识别出的解剖部位，智能计算出患者术前双侧股骨偏心距、联合偏心距、下肢长度的差值，为术者提供参考。见图5。
图5
骨盆矫正和相应解剖参数的自动测算示意图
Figure5.
Automatic correction of the pelvis and measurement of the leg length discrepency and the combined offset
1.3.4 确定髋臼旋转中心及臼杯尺寸
在 CT 层面髋臼侧标定数个标志点，将这些标志点拟合成 1 个球体，球体半径即髋臼半径，并根据此数值确定假体型号。通过对人工智能神经网络系统进行训练，在深度学习人工标定点的基础上，可自动识别臼杯位置及尺寸。见图6。
图6
臼杯神经网络识别效果图
Figure6.
The surface of the acetabulum identified by the neural network
1.3.5 智能测算髋臼及股骨假体最佳位置并自动放置
在前期完成骨盆矫正后，按照矫正后骨盆坐标系，以外展 40°、前倾 20° 安放臼杯假体，在原 CT 图像上显示导入假体的轮廓线，规划者可根据需要，对臼杯假体的位置、型号、角度进行微调。系统根据臼杯假体表面骨质的覆盖情况，通过假体与骨质的重合率，实时测算并显示臼杯假体骨质覆盖率。见图7a。
图7
智能测算假体的最佳位置并自动放置
a. 髋臼假体；b. 股骨假体
Figure7. Prediction of the best position for the prosthesis and palced the prosthesis automaticallya. Acetabular prosthesis; b. Femoral prosthesis
根据髓腔直径匹配适当股骨柄，根据双下肢长度差值以及手术前后偏心距智能匹配适当球头，确定股骨柄旋转中心位置后，智能匹配股骨柄旋转中心与臼杯旋转中心，完成股骨柄的模拟安放，在原 CT 图像上显示股骨柄假体的轮廓线。规划者可根据需要，对股骨柄安放位置、型号、内外翻角度进行调整。根据前期识别出的解剖标志点变化情况，实时测算并显示股骨柄假体安放后双侧联合偏心距差值、双下肢长度差值。见图7b。
1.3.6 完成规划并显示相关参数
股骨假体安放完成后，根据假体截骨线，对患侧股骨进行模拟截骨。规划者可根据需要，在截骨前对假体安放位置进行调整，以调整截骨高度以及截骨角度。截骨过程中实时显示截骨线至小转子上缘高度。最终完成术前规划，并显示与术前以及与对侧相比的患肢长度、联合偏心距变化程度。见图8。
图8
术前规划股骨颈截骨示意图
Figure8.
The preoperative plan of the femoral neck osteotomy
1.3.7 模拟髋关节极限运动状态
髋关节极限运动状态即股骨柄和股骨锁死后绕旋转中心进行前屈、后伸、内收外展、内旋外旋的运动。见图9。
图9
模拟髋关节前屈、后伸、外展、内收运动
Figure9.
Simulation of the flexion, extension, abduction, and adduction of the hip joint
2 临床应用
2.1 患者选择标准
纳入标准：① 单侧股骨头坏死行初次 THA；② 年龄>18 岁；③ 使用 Pinnacle 髋臼杯及 Trilock 股骨柄（DePuy 公司，美国）。排除标准：① 患者术前规划后未行手术；② 术前影像不符合行术前规划标准；③ 术前髋关节或身体其他部位存在活动性感染病灶。
2017 年 3 月—2020 年 5 月，60 例 THA 患者符合选择标准纳入研究，其中 30 例使用 AIHIP 系统进行术前规划（试验组），30 例使用胶片模板测量方式进行术前规划（对照组）。
2.2 一般资料
试验组：男 15 例，女 15 例；年龄 34～84 岁，平均 46.9 岁。左髋 17 例，右髋 13 例。国际骨循环学会（ARCO）分期[13]：Ⅱ期 4 例，Ⅲ期 10 例，Ⅳ期 16 例。对照组：男 16 例，女 14 例；年龄 23～69 岁，平均 47.0 岁。左髋 15 例，右髋 15 例。ARCO 分期：Ⅲ期 9 例，Ⅳ期 21 例。
两组患者年龄、性别、术侧及 ARCO 分期等一般资料比较，差异均无统计学意义（P>0.05）。
2.3 术前规划
试验组：患者于术前接受骨盆 CT 平扫，扫描要求：① 患者取仰卧位；② 扫描范围：从髂前上棘至股骨小转子下 10 cm；③ 层厚 0.8 mm。将扫描获得的 DICOM 数据导入 AIHIP 软件中，智能生成三维术前规划。术者在术前根据临床经验，对三维术前规划进行适当微调。
对照组：患者于术前接受骨盆正侧位 X 线片检查，X 线片拍摄要求：① 患者取仰卧位，双下肢伸直，两足内旋；② 拍摄范围包括髋关节、股骨近端、耻骨、坐骨、髂骨；③ 股骨颈无投影变形；④ 髋关节各骨纹理清晰锐利，坐骨棘清晰可见。术者使用传统胶片模板测量方法进行手工规划。
2.4 手术方法
两组手术均由同一组医师完成。患者均于全麻下取健侧卧位，常规双下肢消毒铺单。取后外侧入路，逐层切开显露股骨颈，根据术前规划截骨高度、方向进行股骨颈截骨。取出股骨头后，对髋臼进行显露，并清理手术视野至可完整观察髋臼形态。将术中所见髋臼形态与三维术前规划中髋臼模型进行比对，参考上述计划并根据实际情况选择合适型号的臼杯，完成磨锉及压配。然后对股骨髓腔进行扩髓至术前规划的股骨侧假体型号，安装股骨侧假体试模，安装相应型号股骨球头假体，复位后测量双下肢长度并测试髋关节稳定性，冲洗并缝合切口。
2.5 疗效评价指标
对比术中实际应用假体型号与术前规划假体型号符合情况，分为–2、–1、0、+1、+2 等级，其中 0 级为完全符合。于两组术前及术后即刻髋关节正侧位 X 线片，测算患者双侧股骨偏心距、联合偏心距差值[14]以及双下肢长度差值。
2.6 统计学方法
采用 SPSS25.0 统计软件进行分析。计量资料以均数±标准差表示，组间比较采用独立样本 t 检验；计数资料组间比较采用 χ2 检验、秩和检验或 Fisher 确切概率法；检验水准 α=0.05。
2.7 结果
两组均顺利完成手术。比较两组术前计划与术中实际应用假体型号差异，试验组髋臼侧、股骨侧假体完全符合率分别为 90.0%（27/30）、83.3%（25/30），对照组为 56.7%（17/30）、53.3%（16/30）；两组差异有统计学意义（P<0.05）。见表1。两组术前双侧股骨偏心距差值及联合偏心距差值、双下肢长度差值比较，差异均无统计学意义（P>0.05）；术后即刻试验组双侧联合偏心距差值明显小于对照组，差异有统计学意义（t=−2.070，P=0.044），其余两指标组间差异无统计学意义（P>0.05）。试验组上述指标手术前后比较，差异均无统计学意义（P>0.05）；而对照组双侧股骨偏心距差值手术前后差异有统计学意义（t=–2.570，P=0.014）。见表2。试验组术前规划耗时（5.02±1.22）min，较对照组的（8.29±2.08）min 明显减少，差异有统计学意义（t=−7.431，P=0.000）。
表1
两组术前计划与术中实际应用假体型号比较
Table1.
Comparison of the prothesis between preoperative plan and intraoperative application
表2
两组手术前后双侧股骨偏心距差值、双侧联合偏心距差值以及双下肢长度差值比较（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 讨论
目前，国内 THA 术前规划仍以胶片模板测量或采用二维术前规划软件为主，因放大率不准确[15]、拍摄投照角度存在差异[16-17]、操作繁琐、假体型号及种类不全等问题，术前规划常不准确，导致 THA 术后并发症发生率较高[18-19]，严重影响了 THA 手术效果[20]。根据术中所见，我们认为导致本研究对照组测量不准确的主要因素包括：① 通过 X 线片无法准确测量髋臼前后径；② X 线片所示比例标尺不准确，无法准确反映其放大率；③ 因投照角度问题，无法准确反映股骨髓腔直径、小转子位置，从而难以选择假体型号、判断股骨颈截骨高度，而股骨颈截骨高度、角度又直接决定了股骨假体大小及位置；④ 股骨旋转、髋关节屈曲等因素影响二维模板测量双下肢长度、股骨偏心距以及术前规划假体型号的准确性。
以 CT 为基础的术前规划具有较稳定的组间一致性和组内一致性[21]，以及较强的可重复性和精准性[22]，具有代表性的软件有比利时 Materialize 公司的 Mimics、日本 LEXI 公司的 ZedHip/ZedKnee[21]、瑞典 Symbios 公司的 HipPlan[23]。然而，这些软件均需对髋关节 CT 图像进行手动分割，操作较二维术前规划软件更复杂。此类软件术前规划每例患者平均耗时约 24 min[9]，而本研究试验组采用的 AIHIP 软件每例平均耗时仅约 5 min，术前规划时间明显缩短。
髋臼假体与股骨假体大小对手术效果具有重要影响，Odri 等[24]研究表明，髋臼假体过大将显著增加 THA 术后疼痛发生率；一项随访时间长达 20 年的临床研究[25]也表明，股骨柄假体不匹配将使无菌性松动发生率增加 4.2 倍。为确保术前规划精度，本研究使用深度学习卷积神经网络对髋关节 CT 数据进行智能分割，在保证手术规划效率基础上实现了精确分割，并使用计算机算法对臼杯及股骨柄进行匹配，有效预测了术中实际所需假体型号，术前计划与实际应用髋臼侧、股骨侧假体匹配率均显著高于传统胶片模板测量方法。
股骨偏心距无法反映臼杯位置的变化，而联合偏心距是在股骨偏心距基础上，增加了股骨头旋转中心至垂直于泪滴连线切线的距离。研究表明，有效重建联合偏心距可更好地恢复下肢功能[26-27]；术后双下肢不等长会导致一系列术后并发症发生[28]，是造成患者术后不满意的主要因素[29]。因此，本软件术前规划主要目标是恢复患侧联合偏心距，最大限度降低术后双下肢不等长发生率。结果表明，使用 AIHIP 软件进行术前规划可有效降低术后联合偏心距差值，由于纳入患者样本量较少、部分患者入组时间较短，尚未对术后功能进行评价，有待进一步研究证实。在术后双下肢长度差值方面，两组差异无统计学意义，可能与术者无法准确按照术前规划进行股骨颈截骨有关。本团队正在研发配套的个性化 THA 手术导板，以辅助术者实现术中精确截骨[30]，有望降低患者术后下肢不等长发生率。
本研究首次将人工智能深度学习神经网络技术与医生的临床经验相结合，研发了一套人工智能 THA 术前精准诊断与规划系统，并进行了初步的临床验证。研究结果表明 AIHIP 系统具有较高的准确性及可重复性，提示其在复杂髋关节手术，如先天性髋关节发育不良、髋关节翻修术以及髋关节矢状位平衡、运动力学稳定等方面，具有巨大的临床应用潜力。
志谢：北京长木谷医疗科技有限公司提供技术支持与 AIHIP 系统的研发。
作者贡献：吴东负责实验设计及实施、数据收集整理及统计分析、起草文章；刘星宇负责实验设计及实施；张逸凌负责技术支持；陈继营、唐佩福负责对文章的知识性内容作批评性审阅；柴伟对文章的知识性内容作批评性审阅、支持性贡献。
利益冲突：所有作者声明，在课题研究和文章撰写过程中不存在利益冲突。课题经费支持没有影响文章观点和对研究数据客观结果的统计分析及其报道。
机构伦理问题：本研究经中国人民解放军总医院医学伦理委员会批准（伦审第 S2019-052-01 号）。
