人工智能在骨科手术中的应用

介绍

骨科手术是医学领域,致力于addressing-through侵入性和非侵入性strategies-traumatic和病理过程影响骨骼,关节,和相邻的结缔组织促进运动功能。因为骨骼,微妙的骨骼病理,项目在光子attenuation-based摄影及计算机断层扫描(CT),由于软组织受伤,诊断为高灵敏度,特异性,和积极/消极的预后价值工具,如磁共振成像(MRI)、矫形外科领域,尤其成熟的基于机器的集成成像的应用研究,在其他应用程序中。虽然使用计算机算法的诊断和管理骨科疾病可以追溯到20世纪,文献表明,医学科学家们对这个领域的兴趣在过去十年中显著增加(图1)。改进软件和硬件技术,如图形处理单元和云计算,大大允许更快地处理计算机和存储大量的数据,导致越来越多的机器可以执行任务的发展,通常需要人工智能。

人工智能(AI)既不是新学科也应用到医学领域一个新现象。场出生之前,许多作品被追赶,后来被认为是人工智能,包括在乐此不疲的方法,如逻辑回归(LR) (1)。这个术语最初由约翰·麦卡锡提议研究概念在达特茅斯学院研究事件在1956年的夏天。然而智能机器的想法是调查这个事件之前的作品包括阿兰·图灵是谁提出的问题“机器会思考吗?“麦卡锡和他的同事们提出他们的建议假设每个特性的学习或其他特征的情报可以足够精确的特点是计算机模拟(2)。”

今天,人工智能领域由许多支行(图2),特别关注本研究机器学习(ML)。而其他人工智能的分支科学技术有重大的影响,毫升毫无疑问是最有趣的和有前途的纪律今天医学研究人工智能的应用程序。尽管AI和毫升在公众有时可以互换,毫升更准确地描述为人工智能的一个子集,使用“学习算法的能力。“机器学习的总体目标是为电脑而不被指示如何适应,为了预测的价值期望输出值基于一组输入。让电脑自己学习如何执行任务,有或没有人类指导该做什么和不该做什么。监督与非监督毫升),往往超出人类理解的方式,开辟了许多潜在的用例。虽然监督和非监督机器学习技术已经广泛应用于骨科、每个人都有优点和缺点。在监督学习算法是受人为地面真理和无监督学习相比,他们往往更容易实现,决策过程更容易理解。然而,创建高质量的人为地面真理需要大量手工工作也incfeases将人类偏见纳入决策的风险。无监督学习,而不是监督学习,直接从数据得出的见解,组织数据,在数据驱动决策的制定和艾滋病没有引入外部偏差(3,4)。

通过文献回顾我们寻求促进意识在骨科社区当前的成就和预计使用AI和ML文献中描述(表1)。以下部分总结当前状态的艺术使用毫升和人工智能在五个关键骨科学科:关节重建,脊椎,骨科肿瘤、创伤、运动医学(图3)。

联合重建

联合重建是一个主要的骨科细分专业,这也就不足为奇了,这也是一个关键领域的研究在整形外科中人工智能。常见用例人工智能在关节重建成像自动诊断分析,评估植入,和预测临床结果,以及更小的例子如简化术前患者具体的移植和植入研发工作流程。

自动的基于图像的诊断

骨关节炎(OA)是最常见的关节障碍在美国,影响10%的男性和13%的女性年龄在65岁以上(5)。鉴于这种盛行,一个主要的重点区域对ML骨科领域的自动化检测和分段OA的成像研究。雪等人,Ureten等人用VGG-16层深卷积神经网络(CNN)自动诊断髋关节OA从射线照片(6,7)。雪等人模型实现了高敏感性为95%,特异性为90.7%,与一位有经验的医生。同样,Tiulpin等人用深暹罗CNN自动诊断和年级膝OA从射线照片(8)。这个模型也有助于打开人工智能的“黑盒”特别强调关键影像特点,确定诊断帮助建立信任医生用户。

除了使OA的诊断从射线照片,几项研究利用人工智能进一步OA严重程度进行分类。Swiecicki等人使用更快的射线照片R-CNN模型来评估基于Kellgren-Lawrence膝关节OA的严重程度分级系统(9)。他们的模型有一个类似的准确性的放射科医生,与改进的再现性。金等人使用深度学习和执行一个类似的研究发现显著提高区域曲线下(auc)结合图像数据与病人的人口统计信息和病史(10)。

当射线照片是主要的诊断工具来评估关节炎,几项研究已经使用核磁共振成像技术来提供更详细的信息。Ashinsky等人使用机器学习工具使用复合层次算法加权邻居距离代表形态(WND-CHRM)评价T₂加权核磁共振序列识别内侧股骨髁部发展为有症状的OA的风险,所定义的改变西安大略和麦克马斯特大学关节炎(WOMAC)得分> 10三年内(11)。该模型实现了敏感性为74%,特异性为76%,虽然在样本容量有限,只计算一个隔间。更广义模型的膝盖是由使用DenseNet Pedoia等人,CNN紧密连接,使用T₂加权核磁共振序列诊断膝关节OA可见影像学变化(之前12)。当结合病人人口的年龄、性别、体重指数、骨关节炎和膝盖受伤,结果分数(三星),他们的模型展示的敏感性76.99%,特异性77.94%的几千名患者中骨关节炎计划基线数据集。

自动植入评价

关节成形术植入失败的主要原因之一是机械松动,可由初始固定不足引起的,固定的损失随着时间的推移,生物固定由于骨质溶解,损失和/或periprosthetic感染(13,14)。关节置换后,关键是评估植入imagingfor硬件并发症。Borjali等人训练有素的深CNN检测机械放松从射线照片全髋关节植入物(15)。这个模型实现更高的敏感性94%,特异性类似的96%相比有经验的整形外科医生。他们也创造了显著地图显示关键领域模型的输出用来诊断,有助于建立信任的结果。

此外,如果修改成为必要的,以确定具体的移植中使用的主要手术术前计划是一个关键的一步,然而,植入物中大约10%是无法确定术前(16)。易等人解决这个问题用ResNet深CNN”来形容膝盖射线照片根据膝关节表面置换术存在与否,总与膝关节表面置换术unicompartmental分类,区分两种不同的制造商的植入产品(17)。易等人进行了一个类似研究肩膀关节成形术,本土之间的歧视,全关节成形术,并扭转关节成形术的肩膀,以及区分五个不同型号的植入物(18)。这个特定的用例ML有潜力为外科医生提供节省了时间在术前规划修订情况。

临床结果预测

毫升在关节重建另一个专注领域一直预测手术结果。考虑到特定的关节置换与医疗保险的报销挑战全面照顾关节置换(《)绑定还款模型,拉姆库玛儿等人提出了价值,使用术前患者支付模型预测结果在髋关节和膝关节关节成形术(19,20.)。他们使用了贝叶斯方法准确地预测停留时间和成本的膝盖和髋关节置换术后根据患者特点包括年龄,种族,性别,和并发症,提出分层患者具体还款更公平地占病人比《复杂性。检查临床结果,哈里斯等人使用一个绝对最小收缩和选择算子(套索)模型做出比较准确的预测心脏并发症后30天死亡率和全关节置换(21)。丰塔纳等人专注于长期预测病人报告结果的措施(舞会)和识别患者无法实现有意义的风险收益那些将要动手术,以促进决策支持(22)。他们三个ML算法相比,支持向量机(SVM),套索,和随机森林,发现他们都有相似的正常到良好的预测能力在2年舞会时,分析手术前有意义的成果。工具,如这些有潜力成为强大的资源为病人和医生医疗决策,因为他们可以避免偏见和启发式,时间限制的医生,虽然提供辅助决策,可改变的危险因素,识别和预测的结果和并发症(23)。然而,使用在实际场景中可能会需要工具水平较高的准确性,以及解决问题和可解释性,集成与电子健康记录,持续监测和验证的结果,和伦理问题。

提高医生工作流程

一个越来越明显的趋势在骨科关节成形术患者特定的植入物的使用,允许潜在优越的成果,虽然涉及到更多的工作在术前规划(24)。Lambrechts等人开发了一个新的应用程序的ML患者关节置换用毫升自动化病人和surgeon-specific术前计划(25)。套索和支持向量机相结合的方法,基于ai术前计划相比显著提高制造商的计划要求减少手动修正的外科医生,因此简化外科医生术前工作流和减少时间需要改正。

植入物的研究与开发

在骨科医疗器械行业,关节成形术植入物通常是成熟的市场,制造商通常难以区分他们的产品的临床效益超过竞争对手。最近,几项研究已经检查毫升在研发和优化关节成形术植入物的作用。Eskinazi等人的一个可变形的关节接触模型通过使用前馈人工神经网络(ANN)模型来估计成千上万的加载条件下的人工膝关节植入物(26)。安更准确地计算接触力和力矩和近1000倍的速度比传统的弹性地基建模方法,去除的一个重要障碍经常使用这种技术在植入优化。Cilla等人使用两个不同的机器学习技术,支持向量机和安,结合有限元评估其效用在优化短茎髋关节植入物几何(27)。这两种技术显著减少计算时间,与支持向量机提供更高的精确度应力屏蔽量化而安。进一步调查植入优化可以帮助提高骨科植入物的长期性能和潜在市场上进一步区分产品。

脊柱

基于研究领域的出版物的数量,脊柱手术已经被另一个骨科的人工智能研究的主要领域。一些探讨的主题包括诊断脊髓病理临床或成像信息和预测术后并发症。

自动图像定位和标记

第一步发展中算法的检测和分类病理异常定位解剖结构成像。在骨科脊柱手术,由于复杂的结构病理和解剖变异在椎体,定位也可以直接帮助临床过程提高精度和速度。海瑟林顿等人开发了多个CNN算法(AlexNet、GoogLeNet ResNet-50, SqueezeNet)实时识别椎水平的超声图像。作者报告检测的准确性88% - -91%不同算法之间的椎体分类的准确性。转化的应用这些算法将有利于轴索麻醉和镇痛,包括脊髓和硬膜外联合注射针插入和方面,除了减少在错误的脊柱手术的风险级别(28)。这可能在触诊和loss-of-resistance等方法提高精度,同时减少辐射暴露在荧光镜的引导治疗(29日)。

本地化也被应用于与脊髓病理图像。格洛克等人用随机森林分类确定椎质心的位置从严重的脊柱侧凸患者CT图像,矢状面畸形,和固定的设备。他们报道6和8.5毫米之间的平均定位误差(30.)。陈等人用两步方法首先定位每个椎间盘的中心,然后部分光盘利用随机森林分类器和深CNN。他们的方法都有了明显的改善与其他先前的方式学习方法平均定位误差的质心椎间盘的1.6 - 2毫米(31日)。

今天,尖端的技术定位和标记脊柱结构执行以及有经验的观察者。事实上,许多商用图像存档和通信系统(PACS)和医学成像软件包括这些功能(32)。

自动的基于图像的诊断

诊断脊柱疾病一直是脊柱骨科人工智能研究的主要焦点。毫升诊断脊柱疾病的使用可以追溯到1980年代。在1988年的一项研究中,边界等人报道77% - -82%的诊断准确性训练多层感知器分类背痛的四类简单的牙根,病理(如肿瘤、感染、炎症),和背部疼痛显著心理覆盖基于临床症状和以前的病史(33)。

各种人工智能方法探讨了基于图像的诊断脊柱疾病,例如non-ML方法来源于传统的图像处理技术,以及基本的ML技术如贝叶斯分类器(34,35)。大多数这些方法使用图像像素值(CT Hounsfield单位或者MRI信号强度)和纹理信息训练和测试诊断算法。戈什等人用MRI训练在很多不同的分类器,包括一个支持向量机分类椎间盘退化或正常。精度从94%到80不等,支持向量机是最准确的(36)。浩等人使用形态学信息,如盘的形状,除了图像像素值和纹理信息训练一个基于svm模型分类光盘退化或正常,获得高达92%的精度(37)。

还有其他方法,椎间盘分类除了健康或退化的二元分类。临床使用的一个分类是Pfirrmann等人提出并描述了五个退化度基于MRI信号特点(38)。Castro-Mateos等人利用腰椎MRI图像进行训练和测试神经网络实用程序在椎间盘变性基于Pfirrmann分类的分类。他们报道平均特异性和敏感性(93%和83%39)。

术后并发症的预测

开发高精度术前预测模型将增强患者咨询和共享决策通过更准确预测潜在的不良事件。这可能是急性设置尤其如此,比如高能创伤,时间有限考虑可用选项。在过去的十年里发表的许多文章研究模型为预测的结果脊柱手术的各个方面。

McGirt等人回归预测结果腰椎手术后使用。他们使用一些预测变量,如年龄、BMI,详细的症状,和脊柱的疾病预测临床结果,包括12个月得以残疾指数(ODI), 30天再入院率、康复需求,并返回工作,实现精度在72%和84%之间40)。

金等人训练和验证深度学习模型来识别后的术后并发症的危险因素使用CNN和LR腰椎融合。他们使用信息来自美国大学的22629名患者的外科医生国家外科质量改进项目,包括人口统计学和临床变量来预测心脏和伤口并发症,静脉血栓栓塞和死亡率。CNN和LR显示更高的AUC预测四个结果变量相比,美国麻醉学分类(41)。在不同的研究中,同一组确认类似的结果在一个队列(n= 4073)成年脊柱畸形患者择期手术过程(42)。

舍尔等人使用一个数据集的脊柱畸形手术的657例患者,没有内部或围手术期的并发症。作者训练决策树使用基线人口统计学的合奏,影像学和手术因素预测的可能性主要并发症的总体精度87.6%。他们年龄、腿部疼痛、OSI, ASA年级,出现骨质疏松症,而且骨盆倾斜中最高预测变量(43)。

一个策略将预测分析纳入常规临床实践是使用决策支持工具,利用模型的预测能力,帮助临床决策提供个性化建议。详细的双门跑车等人发展的慢性下腰痛的奈梅亨决策工具,这样一个模型应该基于大量的高质量的数据,外部验证,系统连续监测和更新。在实践中,应将患者信息在决策中的应用,显示适当的治疗选择与潜在的优缺点,和交付在一个用户友好的软件平台(44)。这些规范强调克服监管和技术障碍的意义在数据收集和存储以火车population-representative决定算法能够达到高水平的准确性在所有患者(45,46)。

骨科肿瘤

人工智能一直在调查骨科肿瘤对于各种各样的应用程序,包括主骨或软组织肿瘤和转移性疾病。在领域仍处于初期阶段,但很少有临床应用,令人鼓舞的结果已经发表在《文学。

自动的基于图像的诊断

一个感兴趣的区域,应用基于ai技术在骨科肿瘤成像诊断肿瘤。而懒惰的良性肿瘤和侵略性的癌症在胸部平片上通常是显而易见的,许多骨骼病变属于一个中间一类,其组织学性质可能不会立即体现出来在成像(47)。这些研究的解释,能强烈的受益于AI /毫升。中档的软骨肿瘤是特别感兴趣的(48)。

尽管计算机辅助骨肿瘤的诊断可以追溯到1960年代,使用non-ML方法,近年来基于深度学习算法被用来分类原发性骨肿瘤为良性或恶性肿瘤对射线图像具有类似性能相比,临床医生(49)。在多机构研究的一项研究中,他等人用1356片从组织学证实原发性骨肿瘤培养深度学习模型(efficientNet-B0 CNN)区分良性的,中间,和恶性肿瘤。在外部验证使用的数据并不是用于培训的CNN,他们的模型实现了73.4%相比,平均精度为71.3%精度两个附属专业训练有素的放射科医生(50)。在具有类似设计的一项研究中,Eweje等人使用1060 T1和t2加权术前MRI图像相同的神经网络训练主要区分良性和恶性骨肿瘤。他们报道的准确性为73%,与放射科医生(51)。这种算法可以帮助发展为中级水平的情况下,基于图像的诊断因此减少侵入性诊断程序的必要性。

临床结果预测

准确预测剩余寿命将加强在骨科肿瘤医疗决策,例如帮助确定手术应该执行,如果是这样,应该使用哪个外科治疗(52)。汉等人使用深度学习预测滑膜肉瘤患者的存活率。使用人口统计学和临床数据包括肿瘤大小、位置、初始转移,从242名患者和治疗模式在三个机构,训练神经网络模型相比,改进的性能显示Cox比例风险模型AUC为0.81与0.63相比,分别为(53)。在一项研究中使用监测、流行病学、最终结果数据库,Ryu等人调查类似的神经网络的效用生存分析患者的脊柱和骨盆软骨肉瘤。使用数据从1088年病人作者报道的AUC 0.84预测生存的结果。这项研究并没有把这种性能与其他non-ML生存分析方法(54)。

预测原发性骨肿瘤局部复发的临床结果预测另一个专注领域使用的人工智能。之前,临床和影像特征已经被证明是实用的预测概率的骨肿瘤局部复发。例如,胫骨近端等因素参与,年轻的年龄,不规则的边缘或油漆小肠符号,和相邻软组织入侵与增加骨的骨巨细胞瘤的复发速度(GCTB) (55,56)。这些肿瘤通常通过intralesional刮除术的复发率12% - -65%。他等人开始使用v3 CNN 56 GCTB患者的MRI图像平均6年的随访。通过结合成像和病人数据(年龄、肿瘤位置)他们在正确的报道78.6%的准确性预测复发。这些发现的临床应用不明确,不过,我们相信这些预测可以用来确定持续时间和强度的术后复发的监测评估。

分割

人工智能的主要应用之一,是图像分割。主要受益于这些算法是节省时间的功能,任务如肿瘤负荷分析或全身分割必须手动完成,挤牙膏式分割现在可以执行在几分之一秒。在骨科肿瘤,利用图像分割为临床决策提供一系列的定量信息,如新辅助放化疗治疗计划和评估术后治疗效果。在这一领域的大多数研究都集中在CT由于其高对比度和空间分辨率可视化的骨结构(57)。

张等人用CT图像训练多个监督残余网络从23段骨肉瘤患者。网络实现了骰子相似系数,比较细分和参考指标,89.2%相比,放射学家提供的地面实况分割(58)。林格伦等人使用基于ai自动分割18氟化f-sodium正电子发射断层扫描(PET) / CT图像计算肿瘤的前列腺癌骨转移病灶的负担。通过将骨架CT和PET图像领域的高吸收,作者称肿瘤负荷指数(体积_热点/卷_骨架),与总体存活率显著相关,与骨扫描索引(59,60)。

创伤

在当前科学景观,人工智能的应用在骨科创伤大多集中在自动化图像诊断骨折。人工智能的研究创伤临床结果预测,尽管仍处于初期阶段,但也开始出现。

自动的基于图像的诊断

最丰富的应用人工智能在创伤骨科文献中所描述的是使用深度学习方法,最常见的cnn,检测的骨折。例如,在高度引用2017篇文章Olczak等人五深度学习网络适应检测在256000手腕骨折,手,脚踝射线照片(61年)。所有这些网络准确地确定一侧,身体部分,考试来看,和骨折;表现最好的网络表现出最后一个检测精度83%的骨折。

当从影像学图像深度学习网络的训练重点是检测特定类型的骨折,较高的检测精度,取得了显著降低样本大小。例如,cnn表现出最大检测精度为94.4%,95.5%,96%,股骨颈的检测,转子间髋关节和半径远端骨折分别(62年- - - - - -64年)。其他作者进一步利用深度学习方法不仅检测,而且骨折亚型的功能分类。这些特性在肱骨近端突出,跟骨,骨盆骨折(65年- - - - - -67年)。

同样重要的是要注意,当提到,地面真理由整形外科医生在这些研究中被分配,从第四年研究生居民(62年)subspecialists拥有超过十年的经验(60)。也许并不令人惊讶的是,所有的结果指出,类似的,如果不是更好的话这些网络专家相比,性能的检测精度。林赛等人描述了如何深神经网络成功地改善临床敏感性和特异性检测骨折在紧急设置(68年)。深层神经网络的协助下,平均临床医生的敏感性和特异性都从80.8%提高到91.5%,从87.5%提高到93.9%,分别。此外,误解率降低了47%。

虽然令人印象深刻的,这些研究的结果并不是没有限制的。例如,这些深度学习网络的最终精度似乎影响质量的输入处理,如图像标签和裁剪,由人类完成的上述研究(60- - - - - -67年);较小的裁剪图像Urakawa et al。(62年)导致更高的诊断精度的深度学习网络相比,整个臀部射线照片Olczak et al。60)。深入学习网络还不能执行上下文诊断(要求临床医生根据临床问题)和预测,因为他们需要合成的临床知识,不能只通过训练集。此外,几乎所有的训练集使用由图像获得单一视图——发现只出现在一个视图在多视图射线照片可能错过了这种方式。不管这些限制,很明显,AI有潜力改变创伤骨科的景观作为诊断工具,尤其是当这些限制在不久的将来得到解决。

临床结果预测

虽然骨折仍然占主导地位的自动检测的应用人工智能在创伤骨科,预测病人的结果是一个新兴的研究领域。类似的作品纳瓦罗et al。18和拉姆库玛儿等。19)在膝盖和髋关节置换术,Karnuta et al。(68年)使用朴素贝叶斯机器学习算法来预测髋部骨折病人的住院时间和费用根据病人特征包括年龄,种族,性别,和并发症。这些信息被用于提出不同,分层捆绑支付模型,平衡付款人之间的风险分担和机构,介导当前挑战捆绑支付模型对髋部骨折患者。虽然机器学习算法只预测最可能支付地层为每个病人而不是精确值,这个研究很好地证明了贝叶斯的inter-subspecialty适用性机器学习算法在预测骨科病人的结果,一项功能,甚至可以扩展到其他领域的医学在不久的将来。

新兴在创伤中使用人工智能预测也证明了Stojadinovic疗效作者使用了贝叶斯分类器预测无工会由体外冲击波疗法(治疗成功69年,70年)。它很好地确定两个变量预测值最高治疗成功(时间治疗和类型的骨头)。然而,重要的是要注意,使用体外冲击波疗法是目前限制患者骨折耐火材料的“第一线”的治疗方法,如手术固定和石膏固定。这些患者仅占少数的骨折患者,据我们所知,人工智能预测研究对骨折病人,接受手术或固定仍然缺乏。

在不久的将来,这将是有趣的跟踪进化的人工智能应用整形外科领域,具体是否包括x光照片之外的其他成像方法,其扩张到其他功能应用和参与其他的治疗方法。

运动医学

在运动医学,人工智能的应用仍主要局限于自动化的基于图像的诊断。核磁共振成像模式的选择,最可能等软组织结构参与损伤。膝盖受伤是最活跃的研究领域,与前交叉韧带(ACL)和半月板撕裂检测是最常见的应用程序。

自动的基于图像的诊断

两种最常见的软组织受伤的膝盖,前交叉韧带(ACL)和半月板撕裂,MRI是诊断的首选方式。然而,这些损伤的MRI诊断是很有挑战性的微妙一些发现,和训练有素的放射科医生的专业知识几乎总是必需的。因此,自动化的发展方法在检测ACL和半月板的眼泪是运动医学人工智能中最活跃的研究领域。

Štajduhar et al。(2016)开发了一种半自动的ACL损伤的检测方法(71年)。两个机器学习模型,随机森林和SVM用于分析手动选择矩形区域涉及ACL的利益区膝盖核磁共振成像。结果表明,支持向量机模型在检测ACL损伤是最好的,任何ACL损伤的AUC 0.894和0.943为完整的ACL断裂。似乎是什么自然研究进展在膝盖软组织损伤检测,好等人发达MRNet, CNN,可以检测半月板和ACL损伤膝关节MRI (72年)。MRNet展出AUC值为0.937,0.965,0.847,发现任何异常,ACL的眼泪,和半月板撕裂。MRNet的性能检测软组织膝伤相媲美,一般无助的放射科医生,虽然放射科医生实现高灵敏度检测前交叉韧带撕裂和高特异性的检测半月板撕裂。

整合这个结果,其他研究也表明,cnn是最好的完全自动化检测的深度学习方法ACL和半月板损伤。AUC高达0.971已经证明ACL损伤检测,而表现最好的半月板撕裂检测CNN的AUC 0.94 (73年,74年)。这对半月板撕裂检测AUC特别高,然而,只有实现当只有正常半月板和强度三年级的眼泪被列入其中。更微妙的1级和2级半月板眼泪被排除在研究之外。因此,本研究的结果进行解释时应特别谨慎,尤其是对CNN检测更微妙的半月板损伤的能力。

总之,在文献中描述的cnn目前展示他们最好的ACL撕裂检测的性能,其次是半月板撕裂检测。cnn的可用性,可以检测到骨科软组织损伤在其他身体部位仍然是稀缺的。然而,随着自动损伤检测的快速发展在过去的几年里,MRI特别是发展从最近的CNN模型,同样的概念可能会扩展更广泛的检测在其他身体部位软组织损伤,如肩膀和脚踝。

结论

由于严重依赖放射成像进行骨科诊断,这是不足为奇的毫升在骨科的焦点都集中在自动化放射成像的解释。在这一点上它是ML算法能够匹配,或在某些情况下,超过训练的放射科医生或矫形外科医生的准确性(6,9,10,15,33,39,49)。然而,问题依然存在,为什么毫升没有广泛采用在临床实践中使用?简单地展示一个算法的准确性可能不足以驱动使用毫升,相反,现实世界的焦点应该是展示改善结果与临床医生一起使用时,林赛等人提出来的改善裂缝检测(67年)。可能有用的指标可能包括减少时间放射科医生解释图像,降低误解率,改善患者的治疗效果,减少并发症发生率。

其他常见用例描述在本研究专注于大型数据集的集成帮助预测疾病和/或手术结果,特别是在骨科领域正日益对特定病人的护理。与自动化放射诊断,分析大型数据集不是一个过程,可以很容易地由人类完成的。使用ML算法提供了一个明显的好处在处理和解释复杂的方面,针对病人的数据。这些用途,展示高度的准确性和容易理解的输出得到用户的支持至关重要。是什么还有待观察这些预测的临床效用,以及临床医生和患者如何使用这种算法的输出来指导护理,在将来的研究中证明两个关键指标。

另一个问题,仍是采用ML的障碍是“黑盒”,在ML算法足够复杂,他们的研究结果并不容易解释人类用户。一些研究专门解决这个问题特别显示的关键数据,导致算法的输出,例如强调x光照片的关键部分,导致诊断(8)。这是一个一步毫升开发者可以阐明“黑匣子”并建立信任和支持人类用户。

采集的数据仍然是另一个巨大障碍毫升。未来的用例和广泛的临床使用大型数据集通常所需的培训和验证阶段创建一个ML算法,它可以很难获得在一个单一的机构的研究。虽然跨机构共享数据可以提高数据可用性,这使得自己的后勤挑战,包括数据安全、法律/ IRB需求,在不同的电子健康记录系统和数据异构性。这些障碍数据采集和共享也可以验证的模型更加困难。例如,一个最近的研究使用人工智能评价放射影像学发现,只有6%的516年的研究表明外部效度(Kim et al . 2019年)。研究人员试图翻译模型从概念验证阶段,验证和实际临床评估将有必要建立用户信任和获得采纳。

基于有前景的结果和宽广的用例发表文献中,很明显,AI和ML可能在整形外科的未来有很大影响。随着毫升领域的发展,很可能改进当前技术和新的应用程序在骨科的发展只会增加的效用和使用毫升在临床实践中。然而,毫升开发人员必须继续工作通过障碍探讨提高信任,熟悉,为临床医生用户易用性和导航为人工智能产品不断变化的监管环境。当确定“最佳”人工智能领域/毫升应用程序,开发人员应该考虑两个主要特点:(1)领域强大的解释的不确定性;(2)领域的大量的时间和资源消耗。依据源于前者考虑将适用于临床医生和病人;这些源于后者将吸引临床医生、医疗中心和纳税人。此外,医学伦理等问题,数据安全,病人隐私将发挥至关重要的作用的持续发展和使用这些技术。因此,尽管毫升技术未来的承诺,还需要很多步骤可以翻译在临床骨科领域广泛使用。

作者的贡献

所有作者贡献手稿通过回顾文献,撰写和编辑。所有作者的文章和批准提交的版本。

的利益冲突

作者声明,这项研究是在没有进行任何商业或财务关系可能被视为一个潜在的利益冲突。

出版商的注意

本文表达的所有索赔仅代表作者,不一定代表的附属组织,或出版商、编辑和审稿人。任何产品,可以评估在这篇文章中,或声称,可能是由其制造商,不保证或认可的出版商。

引用