2023人工智能在骨科术中导航的应用进展.docx

《2023人工智能在骨科术中导航的应用进展.docx》由会员分享，可在线阅读，更多相关《2023人工智能在骨科术中导航的应用进展.docx（11页珍藏版）》请在第一文库网上搜索。

1、2023人工智能在骨科术中导航的应用进展摘要骨科手术复杂而精细。骨科导航系统的开发旨在通过分析术前、术中和术 后数据，提供增强现实的三维可视化环境，提高治疗糠 随着数字化技 术的迅速发展及临床应用，人工智能技术被引入到骨科术中导航系统中。 人工智能与器械设备、成像技术相结合，增强了骨科医生的可视化能力, 使他们在手术过程中获得实时反馈和指导，进而提供最佳临床决策。人工 智能在骨科术中导航的应用还能提高手术的可重复性，降低了人为错误的 发生率。本文综述了人工智能在骨科术中导航的应用现状，并介绍人工智 能的基本概念以及基于人工智能的图像配准、实时跟踪和三维可视化技术 的发展，对目前存在的局限和不足

2、进行探讨。骨科手术复杂而精细。在骨科手术中，医生须准确地识别和定位关节、骨 骼、韧带、肌肉和神经等组织结构，同时还要考虑手术时间、出血量、创 伤面积、患者疼痛等因素1 0由于术野狭小、操作空间窄，对医生手术 技术的要求非常高2 o此外,术中的关键操作,如植入物的定位、截骨、 钻孔、切割韧带等对精度有很高的要求，轻微的误差可能造成严重的并发 症。在过去的三十年中，为降低手术风险，术者和工程师开发了各种各样的医 疗设备和软件来辅助手术的顺利完成，其中之一是手术导航40手术导 航系统通过整合术前手术计划、术中器械跟踪和成像数据，提供增强现实 的三维(three-dimensional , 3D )可

3、视化环境,目前成为手术室中不可 或缺的一部分50在导航系统的辅助下，骨科医生可以进行精准跟踪并 观察解剖部位和手术器械，对术中操作进行实时调整，进而做出最佳决策 6 o此外，骨科手术导航系统能够实时收集特定解剖结构(如骰、膝关 节)的数据，以帮助医生在手术过程中调整软组织平衡6 0骨科手术的高风险和复杂性使引入人工智能(artificial intelligence ,AI) 技术成为必要，以提高手术质量和降低手术风险7 0基于AI的手术导 航系统已广泛应用于包括骸、膝关节置换术8 、脊柱手术9 、软组 织修复10,截骨术11 、骨肿瘤切除术以及骨折复位和固定12 等多种骨科临床实践中13,1

4、4,15o尽管如此，AI在骨科中的应用仍 处于初级阶段。近年来，AI在骨科领域飞速发展，同时涌现出大量临床研 究。本文综述了 AI在骨科术中导航的应用现状，并介绍AI的基本概念以 及基于AI的图像配准、实时跟踪和3D可视化技术的发展，并对目前存在 的局限和不足进行探讨。一、检索策略在中国知网和万方数据库中以人工智能、骨科手术、术中导航作为 中文检索词进行检索。在PubMed和Web of Science数据库限定语言为 English,并以关键词artificial intelligence, orthopedic surgery intra-operative navigation进行检索,

5、时间定义为2018年1月至2023年8月。文献纳入标准为：(1 )与AI在骨科术中导航的应用主题相关的临床或基 础研究；(2 )文献类型为正式发表的研究性论著或综述。文献排除标准为： (1 )重复性研究；(2)主题相关度不高、循证医学等级低的研究；(3)文献类型为技术介绍、勘误或评论；(4)无法获取全文的文献；(5 )除中 文和英文外其他语种的文献。共检索中文、英文文献984篇,通过EndNote软件排除重复文献77篇， 得到907篇文献,并依据上述纳入及排除标准最终共纳入相关文献87篇， 其中中文文献4篇、英文文献83篇。二、Al的概念Al是研究、开发用于模拟、延伸和扩展人的智能的理论、方法

6、、技术及应 用系统的一门新的技术科学，目的是赋予计算机像人类一样的智力来解决 实际问题。机器学习(machine learning , ML )是Al的子集，使计算机 从经验中学习16 ;深度学习(deep learning , DL )是ML的子集, 其采用具有多层处理单元的大规模神经网络结构训练计算机识别和学习 更微妙和复杂的模式。骨科领域中涉及的DL技术大致可以分为监督学习(supervised learning , SL)和无监督学习(UnSiIPerViSedleaming , UL ) 17 o SL 需要人类 的专业知识来预处理和标记训练数据，并分配正确的类别18。算法被 明确告

7、知要查找的内容，通过学习带有标注的数据和输出类别之间的相对 关系，尝试对未见过的新数据进行分类或预测19o SL可用于分类问题 （如图像中是肩还是膝？）和回归（如不同变量之间的关系是什么？ 常用的SL算法包括支持向量机、决策树、随机森林和卷积神经网络等 20 0在骨科手术导航系统中,SL可以帮助医生识别和检测细微的骨折 及骨密度的变化，还可以分割骨骼结构生成3D重建模型，提供更准确的 手术导航和指导21 , 22,23,24 oUL训练过程不需要操作者的标记，也没有预测输出25o UL允许机器 在没有特定指令的情况下执行任务，并通过发现以前未知的数据模式来创 造新的知识。常用的UL算法包括自编

8、码器、聚类分析和生成对抗网络 （generating adversarial networks , GAN ）等。在骨科手术导航系统 中，UL可以帮助医生分割和定位骨骼、血管、神经和其他软组织结构， 还可以用来增强成像质量26,27,28 。Ranti等29 报告了采用聚 类分析预测接受关节置换手术的患者预后。Ahn等30 报告使用GAN 能够生成能准确反映膝关节骨关节炎进展阶段的X线图像，而资深专家和 AI均无法将其与真实膝关节X线片鉴别。GAN还常被用来增强图像质量 和图像去噪31 ,通过GAN网络生成更清晰、更容易识别的医学图像， 有助于提高医生在手术过程中的决策能力32 o此外，使用G

9、AN能生 成更多的数据，从而扩大训练数据集，提高模型的泛化能力。总之，目前 的研究开辟了采用生成模型来合成真实匿名图像的潜力，为解决数据稀缺的问题提供了方法。三、骨科手术术中的导航系统导航曾经只是简单的术中定位工具，但过去三十年来手术导航系统迅速发 展，已成为骨科手术中不可或缺的内容。骨科手术导航系统有三个重要作 用：定位、寻找空间关系和轨迹规划;也就是说，手术导航系统需要解决 的问题是决定去哪里，找出它在哪里，并计划如何到达那里33 0 与其一一对应，定位可以通过实时跟踪完成，寻找空间关系需借助图像配 准技术，而轨迹规划则通过3D可视化实现。目前，手术导航系统被广泛 应用于各类骨科手术中，当

10、医生持手术器械进行操作时，导航系统可以准 确跟踪并实时可视化患者解剖结构的位置、识别感兴趣区域、监控手术器 械,并引导医生操纵手术器械以准确到达手术部位。骨科导航技术首次应用于1994年。Digioia等34 在匹兹堡开发了基于 CT的计算机导航系统，成功完成了全骸关节置换术中骸臼假体的精准放 置。随后，首个计算机辅助膝关节置换系统在1997年投入使用35 , 并相继出现了多个骨科手术导航系统,如ROSA 36和NavioPFS 37, 以及一些轻量型的系统，如用于微创脊柱手术的Mazor 38 和用于全膝 关节置换术的MNIBotics 39 。目前，骨科手术中常用的主流导航系统 还包括 C

11、UrVeTM、Kick、SPineMap 3D 和 Stryker NAV3i 等2 。用 于全骸关节置换和全膝关节置换的骨科Mako系统40 是目前国际上应 用最广泛，且智能化程度最高的骨科手术导航系统。2016年，我国天智 航公司推出第三代骨科手术导航机器人TiRObOt 41 ,是目前世界上唯 一能够开展四肢、骨盆骨折以及脊柱全节段手术的骨科机器人系统42手术导航系统可用于术前、术中和术后三个阶段，术中导航对骨科手术的 实施最为重要。术中导航系统借助图像配准技术实时反馈器械与患者解剖 结构之间的空间位置关系，通过实时跟踪技术精准定位手术器械和解剖位 置，结合3D可视化技术分离并渲染感兴趣

12、区域，引导骨科医生完成手术 操作。骨科术中导航系统的实时跟踪、图像配准以及3D可视化均属于图 像处理技术，也是术中导航的关键。基于AI的图像识别通过对大量影像 数据的训练学习,自动识别和分析图像中的特征，使其成为医学图像处理 领域中的一种重要工具43 。近年来，随着Al技术的发展，骨科术中导 航相关技术也得到了快速进步。骨科手术导航系统通常包含以下几个基本步骤：(1 )术前计划，即数据采 集与建模；(2 )配准术前与术者数据、实时跟踪手术器械；(3)可视化关 键结构信息；(4)术后验证，即比较术后结果与术前计划的结果。(-)图像配准无论选择何种影像学检查，导航系统首先必须建立术前或术中影像学与

13、患者解剖结构之间的空间关系，建立这种关系是通过图像配准技术来实现的。在术前采集的3D数据(基于CT或MRl图像)或构建的3D解剖模型用 于手术指导前，必须通过配准过程将其匹配到手术场景内患者的解剖系统 中，并在三维坐标系中显示其位置，这也是在成像数据的“虚拟坐标系与 患者参考阵列定义的“真实坐标系之间建立关系的过程44 o配准的精 准度会直接影响导航程序中的后续所有步骤：一方面，配准可能发生在导 航前，但在这种情况下，配准后地标的任何移动都会影响导航的准确性； 另一方面，如果使用术中3D成像，此时的配准过程可以在手术过程中实 现自动化。图像配准根据维度可以分为时间序列和空间维度45。基于时间序

14、列的 配准是指在不同时间序列上对齐相同或不同模式的医学图像；而基于空间 维度的配准按照图像空间的几何维度数量又可以划分为2D-2D、2D-3D 和3D-3D配准46 o大多数骨科导航系统是利用2D-3D的图像配准, 这是一种估计术前3D体积结构（CT、MRl或3D模型）与其2D图像（术 中C型臂X线机透视或内镜成像）之间的空间关系的技术。近期开发了许多基于Al的2D-3D图像配准技术。Klebingat等47 报 告了一种能够自动确定全骸关节置换手术参数的方法。术者使用基于卷积 神经网络的2D-3D配准方法准确地评估全骸关节置换术中植入物磨损、 前倾和倾斜度的参数，并在患者骸关节X线片上准确分

15、割、定位骨盆（如 股骨头或骸臼杯区域）和假体组件。Guo等48 引入全卷积网络框架, 在无须任何用户交互的情况下完成术前CT数据和术中X线片之间的刚性 配准，利用DL算法完成了患者特定解剖的分割细化，并在74例患者的 骨盆上进行了验证，结果显示全卷积网络的配准效果稳定，用时短（0.1 s 该方法不仅保证了可变形图像配准的准确性，而且大幅减少了图像配 准所需的时间。Lutter等49 使用2D-3D配准确定了膝关节X线片中 膝关节的磨损部位和程度，基于卷积神经网络精准分割定位X线片上的假 体组件，基于模型的2D-3D配准精确计算植入物在膝关节中的空间位置 和方向。Van Houtte等50 提出

16、了基于图谱的端到端的2D-3D配准 DL模型，该模型将3D图谱中的图像配准到股骨X线片上，通过对扭曲 图集图像或任何其他辅助数据的变形场进行回归，准确地重建了患者的股 骨CT图像并进行了验证，证实了其精准性。Zhang等51 提出了时间 一致的2D-3D配准技术对卢页面结构进行3D生长测量，使用基于卷积神 经网络的回归和初始化相应的3D数据形成了对应的锥形束CT图像的密 集位移场。Han等52 基于骨折复位手术导航提出多体2D-3D配准方 法，将术前骨盆骨折复位计划配准到患者特定的解剖结构中，以跟踪术中 2D透视图像中的多个骨碎片，在骨盆表面配准的误差降低至（2.20.3 ） mmo这些基于AI的2D-3D配准方法显著