股骨头坏死(osteonecrosis of the femoral head, ONFH)是一种起病隐匿、进展迅速的致残性疾病[1,2],对于中青年患者而言，在ONFH早期接受保髋治疗、避免过早的全髋关节置换(total hip arthroplasty, THA)具有极高的经济和社会价值[3]。其中，非血管化腓骨移植术(non-vascularized fibular grafting, NVFG)是一种经典的保髋术式[4,5],该术式通过Phemister入路建立直径为7～9 mm的圆柱形隧道，充分清除坏死病灶并充填新鲜松质骨和自、异体腓骨，为ONFH的修复提供了稳定的生物学和力学环境[6,7],在临床上得到广泛应用。

尽管NVFG具有较高的保髋成功率，但仍有许多失败案例发生，不合适的患者选择可能是保髋失败的主要原因[8]。随着精准医学理念的兴起，为ONFH患者制定个体化、差异化的保髋方案以提高保髋成功率，逐渐成为保髋学界的共识。笔者团队前期基于CT影像组学和临床预测因子，构建了一种预测非血管化植骨保髋疗效的可视量化评估方法[9],能在术前预测保髋疗效，具有一定临床价值。但是，该方法需要手动划分、标注坏死区，工作量大且稳定性欠佳，较高的检查费用和辐射剂量进一步限制了该方法的临床使用和推广。相较于CT、MRI,数字X线摄影(DR)的辐射剂量、设备要求和检查费用均较低，易于基层应用和推广，是筛查、诊断ONFH的一种重要检查方法[10,11,12]。然而，临床医师凭借DR难以准确预估NVFG的保髋疗效，精准识别适宜该术式的目标患者极具挑战。

深度学习(deep learning, DL)具有强大的自我学习和泛化能力[13],在处理大数据和非线性问题上表现优异，因此被广泛应用于医学影像分析、疾病预测与诊断、基因组数据分析等医学领域[14,15,16]。目前DL在ONFH领域的应用主要集中在诊断方面[17,18,19],尚未有在保髋决策中的应用报道。因此，本研究构建并探讨了基于DR的DL模型在预测NVFG保髋疗效中的价值。

1、资料与方法

1.1 研究对象

回顾性分析2009年6月至2021年6月于本院行保髋手术的ONFH患者，本研究以髋为单位，行双侧保髋患者临床数据记录两次。纳入标准：(1)经术中病理确认的非创伤性ONFH;(2)采用标准化NVFG手术操作流程，且均由同一手术医师进行；(3)无其他保髋手术治疗史；(4)随访资料完整，随访时间在2年以上。排除标准：(1)髋关节正位、蛙位DR摄片体位不标准或有缺失；(2)图像质量差或存在异物。本研究经南京中医药大学附属医院伦理委员会批准，由于使用了回顾性数据，委员会免除了知情同意。最终，本研究共纳入ONFH患者339例(432髋)患者的临床资料，包括性别、年龄、发病类型等基本信息均从病历系统中获取。

1.2 仪器与方法

DR检查： 所有患者术前均采用标准体位和摄片技术，拍摄髋关节正位、蛙位X线片，存储格式为DICOM。一共有三种型号的X线机，包括Discovery XR656(GE Medical Systems, USA)、Digital Diagnost (Philip, Netherlands)和Multix Fusion(Siemens, Germany)。扫描参数：管电压60～70 kVp, 管电流80～100 mA,曝光时间50～300 ms, 感光度200～400 ASA。

图像预处理：由一名具有5年临床经验的ONFH专科医师进行。使用MATLAB软件将所有原始图像由DICOM格式转换为PNG格式并进行裁剪，图像中仅保留患侧股骨头区域。所有DR图像的分辨率均调整为224×224(图1)。

将术后行THA或髋关节出现明显疼痛和活动受限、术后Harris评分<90分及影像学出现股骨头塌陷>4 mm设为生存终点[20],以术后2年时的随访结果定义保髋成败，对预处理后的DR图像标注相应的标签用于成功或失败分类。

模型的构建与训练：每髋均包含一张正位和一张蛙位DR图像，以3∶1的比例随机分为训练集和测试集，确保同一个髋的正位、蛙位分布于同一个数据集中。使用ResNet-50作为骨干网络构建预测模型，网络的初始化参数通过在ImageNet上的预训练获得。为了减小数据集不平衡所导致的误差，选择交叉熵损失(Cross-Entropy Loss)和聚焦损失(Focal Loss)构成损失函数。在训练集上对模型进行训练，直到收敛得到最终的预测模型。分类网络使用基于Python的开源框架PyTorch和一块24 G显存的NVIDIA RTX 3090 GPU进行模型训练。使用Adam优化器进行参数更新，初始学习率为2.0×10-3,动量为0.5。

预测性能评估：在测试集中评估预测模型的预测性能，绘制各种预测模型的受试者工作特征(receiver operating characteristic, ROC)曲线，计算曲线下面积(area under the curve, AUC),采用DeLong检验评估不同模型间ROC曲线的差异。根据准确率(Acc)、精确率(Pre)、召回率(Rec)和F1-score评估模型的性能。此外，为了评估不同摄片体位DR的预测性能，笔者将训练集中的DR图像分为正位片组(324髋，324张DR)和蛙位片组(324髋，324张DR),分别构建DL模型，并在原测试集(108髋，216张DR)中评估其预测性能以确保比较的公平性。

1.3 统计学分析

采用SPSS 26.0软件进行统计学分析。计量资料行正态性检验，符合正态分布的数据以均数±标准差

表示，训练集和测试集间的比较采用独立样本t检验；不符合正态分布的数据以中位数(四分位间距)[M(Q1,Q3)]表示，组间比较采用Mann-Whitney U检验；计数资料组间比较采用χ2检验。以P<0.05表示差异具有统计学意义，检验水准取双侧α=0.05。

2、结果

2.1 基本资料

本研究共计纳入患者339例(432髋),年龄17～68岁，平均(35.75±10.24)岁，其中男性214例(273髋),女性125例(159髋)。截至2023年6月，309髋随访结果优良，保髋成功率达71.52%。

将患髋按3∶1的比例随机分为训练集(n=324)和测试集(n=108),两组患者在性别、年龄、病因等基线资料保持一致，无明显统计学差异(P>0.05)(表1)。每髋均包含一张正位和一张蛙位DR,共计864张DR图像，其中训练集648张，测试集216张。

表1 训练集和测试集基线资料比较

2.2 模型的预测性能

NVFG疗效的预测性能： 测试集中，联合正位、蛙位DR图像进行训练的DL模型，对NVFG疗效预测的AUC为0.780,Acc为0.789,Pre为0.787,Rec为0.960,F1-score为0.865(表2,图2)。

正位、蛙位DR的预测性能： 在测试集中，正位片组模型预测NVFG疗效的AUC为0.660,Acc为0.662,Pre为0.703、Rec为0.900、F1-score为0.790;蛙位片组模型预测NVFG疗效的AUC为0.710,Acc为0.761,Pre为0.762,Rec为0.960,F1-score为0.850。两种模型的ROC曲线差异有统计学意义(P<0.001)(表2,图3)。

表2 基于正、蛙位DR的DL模型的预测性能

典型病例：男，35岁，因“双侧ONFH”于2016年8月行双侧NVFG。术后2年随访时右侧髋关节功能良好，股骨头未见塌陷征象，保髋成功；左侧股骨头塌陷变扁，髋关节疼痛活动度差，保髋失败。使用DL模型对其保髋结局进行预测(图4),结果显示，蛙位及联合正位、蛙位的DL模型，对于双侧股骨头保髋疗效的预测结局与实际随访结局一致，预测准确；而正位DL模型对于右侧股骨头的保髋疗效预测正确，左侧股骨头保髋结局的预测出现错误。

3、讨论

NVFG术后需要长达3个月的免负重期，对于接受NVFG保髋但失败的患者而言，无疑是增加了其经济和身心负担[9,21,22]。因此，术前通过临床资料预测疗效、评估患者是否适合接受NVFG保髋，有利于提高医患双方的满意度，具备极高的经济和社会价值。本研究以ONFH的基础筛查、诊断工具—DR为基础构建DL模型，在不增加患者负担的前提下，实现NVFG疗效的全自动预测，并展现出较高的预测性能。在采用不同摄片体位的DR时，该模型仍具有较高的预测准确率，临床应用前景广阔。

对于传统深度神经网络随着网络层数增加所出现的梯度消失和梯度爆炸等问题[23],本研究将ResNet-50(Residual Neural Network-50)作为预测模型的主干网络，该架构引入了残差学习概念[24],可以让网络更容易地学习到恒等映射，从而减轻梯度消失和梯度爆炸的影响，提升神经网络的训练速度及模型的准确率[25,26,27]。此外，本研究选择Cross-Entropy Loss和Focal Loss构成损失函数进行优化，Cross-Entropy Loss能在一定程度上处理训练数据集不平衡情况[28],而Focal Loss[29]则通过添加动态调节因子和α-平衡因子，可有效解决难样本分类和正/负样本不平衡问题。

图1 图像预处理及DL模型结构图   

图2 联合正位、蛙位DR的DL模型的ROC曲线

图3 基于正位及蛙位DR的DL模型的ROC曲线   

图4 DL模型对典型病例的预测结局与实际随访结局的关系   

临床上髋关节正位、蛙位DR一般为联合采集[30],以全面评估股骨头坏死范围和前外侧柱的塌陷情况，但在临床实践中有时仅能获得正位或蛙位DR。为了比较两种摄片体位在模型性能中的价值及泛化能力，本研究分别采用正位、蛙位DR训练模型，结果显示，单一使用正位、蛙位DR的预测性能均不如两者联合使用，但蛙位片比正位片表现出更好的预测性能。研究表明[31,32,33,34],ONFH的坏死区分布主要位于股骨头前外侧，该区域的完整性是影响NVFG保髋疗效的关键[4,35]。蛙位片摄片时需外展、外旋髋关节，能充分显露股骨头前外侧区域，结合DL模型可有效利用大量难以通过肉眼直接获得的深层次影像信息[30],继而准确预测NVFG疗效，辅助保髋决策。尽管如此，正位片组模型的预测性能，对于初步预测保髋疗效仍然是可以接受的，这在临床实践中具有重要价值。对于一些髋关节疼痛较重的ONFH患者，其摄片体位通常受到限制。使用这种DL模型，即便在只有正位片可用的最坏情况下，仍然能获得一定的预测准确性，这将大大减少X线投射位置和传递给患者的辐射剂量。

本研究存在一定局限性：(1)为单中心、回顾性研究，纳入的病例数量较少，DR资料有限，需要进一步多中心、大样本、前瞻性研究的验证；(2)NVFG的手术疗效与多种因素有关，单纯依靠髋关节DR难以全面评估患者的情况，后续可以引入更多临床资料以优化模型，提高预测的准确性；(3)本研究选择DR作为研究图像，尽管具有设备限制少、辐射剂量低、易于临床推广等优势，但对于ONFH的诊断、评估的敏感性和准确率不如CT、MRI,后期可开发多模态预测模型以适用不同临床场景。

综上所述，本研究开发了一种利用DR预测NVFG保髋疗效的DL模型，该模型在不增加临床负担的基础上，可全自动、准确预测NVFG疗效，为治疗方案的制定提供新的依据，具有一定的临床应用价值。

参考文献:

[4]袁鑫玮,黄艺轩,席洪钟,等.坏死及支撑区三维空间分布对腓骨支撑保髋结局的影响[J].中国组织工程研究,2024,28:2789-2794.

[9]刘锌,陈浩,薛鹏,等.基于CT影像组学和临床资料可视量化评估非血管化植骨的保髋疗效[J].中国修复重建外科杂志,2023,37:846-855.

[15]图娅,李晓庆,孙兆男,等.基于膝关节正位X线应用深度学习构建胫股关节骨关节炎的自动诊断模型[J].临床放射学杂志,2023,42:1298-1303.

[16]刘想,张耀峰,李家轮,等.应用深度学习实现前列腺癌盆腔骨转移的分割并基于MET-RADS-P指南评估骨转移疗效[J].临床放射学杂志,2023,42:1277-1283.

[20]李子荣.股骨头坏死成功保髋新理念[J].中医正骨,2018,30:1-3.

[21]王上增,华茂奇,董晓坤,等.双侧股骨头坏死一期换髋与保髋治疗[J].中国矫形外科杂志,2022,30:2180-2184.

[22]陈浩,杜斌,陈阳,等.头颈开窗打压植骨联合缝匠肌骨瓣移植术治疗ARCOⅡ期股骨头坏死的疗效分析[J].医学研究生学报,2021,34:1267-1272.

[24]杨莹,吴爱祥,王先成,等.基于RAdam算法优化ResNet50模型膏体图像识别方法研究[J].中国矿业,2023,32:79-86.

[25]宋冠武,陈知明,李建军.基于ResNet-50的级联注意力遥感图像分类[J].广西师范大学学报(自然科学版),2023,41:80-91.

[27]王师玮,陈俊,易才键.基于改进ResNet50的皮肤病变图像分类[J].软件工程,2023,26:50-54.

[31]刘光波,马海洋,卢强,等.股骨头骨坏死囊性变位置分布特征[J].解放军医学院学报,2019,40:1109-1113.

[32]梁学振,刘光波,刘金豹,等.基于CT三维重建的激素性股骨头坏死患者股骨头坏死组织分布研究[J].中国修复重建外科杂志,2020,34:57-62.

[33]田佳庆,何敏聪,韦雨柔,等.激素性股骨头坏死囊性变分布规律及病理特点[J].中国组织工程研究,2023,27:4996-5001.

[35]何敏聪,何晓铭,林天烨,等.基于CT坏死区重建的股骨头坏死侧位分型及其临床验证[J].中国修复重建外科杂志,2023,37:423-430.

基金资助:国家自然科学基金面上项目(编号:82074471); 江苏省研究生科研与实践创新计划项目(编号:SJCX24_0961);

文章来源:陈浩,薛鹏,席洪钟,等.基于DR的深度学习模型预测非血管化腓骨移植术的保髋疗效[J].临床放射学杂志,2024,43(07):1170-1175.