Arthroplast：深度学习测量工具对轻度髋关节发育不良影像学研究

髋关节骨关节炎(OA)是最常见的关节疾病，其主要表现为软骨及周围骨发生退行性改变，导致疼痛、僵硬、功能丧失和日常活动受限。髋关节形状的解剖畸形被认为是OA发生的关键易感因素。特别是，髋关节发育不良是导致过早退行性骨关节炎的主要危险因素之一，它涉及髋臼的倾斜度、形状和体积的异常。这通常会导致更大的髋关节反作用力集中在更小的表面区域。这种局部磨损最终导致髋关节早期退行性改变，可能需要全髋关节置换术(THA)。

尽管存在与髋关节发育不良相关的风险和对THA的潜在需求，但对成人髋关节发育不良的评估仍不清楚，特别是在轻度髋臼畸形的情况下。虽然一般报道的发病率在3%到5%之间，但根据不同的研究，报道的髋关节发育不良在一般人群中的患病率在1.7%到20%之间。流行的范围之广可能是由于群体之间的性别和种族差异。更重要的是，它也可能是放射诊断方法变化的结果。一些髋关节发育不良的影像学指标，包括Sharp角、Tonnis角和外侧中心边缘角(LCEA)，在文献中被用来提供一定的阈值，但对于发育不良分类的截止点存在相当大的不确定性，一些研究甚至报告了“边缘发育不良”的范围，此外，这些角度的测量方法在研究之间也存在差异。这些不一致最终导致了使用这些指标评估髋关节发育不良的差异。

影像学指标和测量方法的差异在定义和报告髋关节发育不良的患病率时引入了主观性。使用新兴技术创建一个有效的、自动化的和快速的测量工具，并将其应用于一个大的队列，可以揭示在大量人群中不典型增生分类和患病率报告中固有的确切变化。具体来说，深度学习(DL)算法已经在一些骨科研究中用于研究放射学参数，包括与髋关节发育不良相关的参数。鉴于髋关节发育不良的影像学评估可以指导管理决策，这些算法也具有重要的临床意义和应用。也就是说，它可以提供快速提取的放射学指标，有可能帮助早期和准确地检测和评估轻度髋关节发育不良。

本研究的主要目的是:1)开发和验证一种深度学习算法，使与髋关节发育不良相关的角度自动化;2)将该算法应用于大量患者队列，根据不同的放射学参数确定不典型增生的放射学结果的患病率。我们假设1)该算法将能够产生外科医生级别精度的测量结果，2)发育不良的患病率将根据不同放射学参数衍生的阈值的应用而发生实质性变化。

方法:来自骨关节炎倡议的患者，骨盆前后位x线片，既往无tha。DL算法自动识别与髋关节发育不良相关的3个角度:改良外侧中心边缘角(LCEA)、Tonnis角和改良Sharp角。该算法与人工测量进行了验证，并在3869例患者(61.2±9.2岁，57.1%为女性)的队列中测量了所有角度。使用每个角度分析髋发育不良的百分位数分布和患病率。

修正LCEA，修正Sharp角，修正Tonnis角。所有的角度都测量到光源的侧边。

深度学习分割输出和自动角度测量

深度学习算法测量针对患者的方法

Bland-Altman对读数平均数的测量分析

根据文献规定的阈值将髋关节分类为发育不良或非发育不良的分类矩阵

修改后的LCEA分布直方图(n= 7738)

修正锐角分布直方图(n=7738)

结果:该算法与读者的测量值(配对差异:0.3-0.7)无显著差异(P > 0.05)，对不典型增生分类(kappa¼0.78-0.88)具有极好的一致性。在140分钟内，对3869名患者进行了23214次自动测量。女性的LCEA和Sharp角较高，Tonnis角较低(P < 0.01)。使用以下截止值，髋关节发育不良的患病率从2.5%到20%不等:17.3-25.5(LCEA)，9.4-15.6(Tonnis)和41.3€-45.9(Sharp)。

结论:开发了一种DL算法来测量和分类轻度髋关节发育不良。在一个大的患者队列中，报告的异常增生的患病率依赖于测量和阈值，12.4%的患者有异常增生的放射学指标表明THA风险较高。

原始出处：

Jang SJ;  Driscoll DA;  Anderson CG;  Sokrab R;Radiographic Findings Associated With Mild Hip Dysplasia in 3869 Patients Using a Deep Learning Measurement Tool.Arthroplast Today 28