编辑推荐：
为解决发育性髋关节发育不良（DDH）超声筛查中检测地标难、确定标准平面不易等问题，韩国大学安山医院研究人员开展相关研究。结果显示深度学习模型可行，能辅助临床。推荐科研读者阅读，了解前沿医学影像 AI 应用。
在新生儿的健康问题中，有一种情况可不容忽视，那就是发育性髋关节发育不良（Developmental dysplasia of the hip，DDH）。这可不是一个小麻烦，它涵盖了先天性髋关节脱位、半脱位和发育异常等一系列问题。要是能在早期发现 DDH，那可就太好了，因为可以采用像 Pavlik 吊带这样的无创治疗方法，让宝宝的髋关节有很大机会恢复正常。可要是没及时发现，问题就严重了，不仅需要进行复杂的手术治疗，而且预后效果也不好，宝宝以后的走路姿势可能会受到影响，甚至一辈子都被困扰，严重的还可能需要进行关节置换。这不仅给孩子带来痛苦，还会增加家庭和社会的经济负担。
为了能及时发现 DDH，许多国家都在考虑制定适合本国医疗资源的新生儿髋关节筛查计划。在宝宝 6 个月之前，股骨头还没有骨化，在普通 X 光片中看不到，所以超声（Ultrasonography，US）就成了早期检测 DDH 的得力助手。它不仅无创，还能比 X 光更早发现髋关节软骨的问题。
不过，超声检查也有它的 “小脾气”。它对操作人员的要求特别高，必须得是经过良好训练、准确掌握 Graf 或 Harcke 方法的医生才能进行。因为超声图像的质量和诊断结果很容易受到操作人员技术水平的影响，不同医生检查可能会得出不同的结论，这就导致了检查结果的差异。而且，要想获得一个能用于诊断的标准超声平面也不容易，这严重影响了 DDH 的准确诊断。另外，之前的深度学习神经网络模型系统虽然能评估 DDH，但都只关注测量 alpha 和 beta 角，却忽略了超声图像平面位置是否合适这个关键问题，也没办法提供实时的超声引导。
面对这些难题，韩国大学安山医院（Korea University Anam Hospital，KUAH）等单位的研究人员决心找出解决办法。他们的研究成果发表在了《BMC Medical Informatics and Decision Making》期刊上，论文题目是 “Deep learning - based automated guide for defining a standard imaging plane for developmental dysplasia of the hip screening using ultrasonography: a retrospective imaging analysis” 。经过一系列研究，他们得出结论：开发的深度学习神经网络模型可以通过超声图像检测出 DDH 的五个关键地标，在确定 DDH 筛查的标准平面方面有很大潜力，而且在临床应用中能帮助改善 DDH 主要参数的测量。这一研究成果意义重大，为 DDH 的早期诊断和准确筛查提供了新的有力工具。
研究人员为了开展这项研究，用到了几个关键的技术方法。首先，他们收集了 2016 年 1 月到 2021 年 12 月期间在韩国大学安山医院进行 DDH 筛查的患者超声图像数据。这些数据可不是随便收集的，要符合一定标准，比如得是髋关节冠状面图像，患者年龄得小于 8 个月，还得把那些模糊的、不符合要求的图像排除掉。然后，他们定义了五个地标，包括髂骨下边缘、髂骨中点、髋臼骨边缘、三叉软骨和髋臼盂唇末端。接着，基于 ResNet50、EfficientNetB2 和 YOLOv8 开发了整合的全局和局部网络模型。在训练模型的时候，对图像进行了各种处理，像归一化、几何增强等，还使用了 ADAM 或 RAdam 优化器来调整模型参数。
下面来看看具体的研究结果：
- 性能评估：研究人员用 565 张超声图像对检测 DDH 五个地标的性能进行了评估。通过全局检测预测出了五个地标，这五个地标宽度为 256×256 像素，包含髂骨线上的三个点以及髋臼骨和盂唇上的两个点。结果显示，使用 ResNet50、EfficientNetB2 和 YOLOv8 的全局和局部网络的综合结果（均方根误差，RMSE）分别为 4.60±4.25、4.023±3.723 和 0.01±0.008 。具体到每个点，也都有相应的数值。这表明不同模型在检测地标时的表现有所不同。另外，使用这三个模型的全局和局部网络的综合结果（平均精度均值，mAP）分别为 0.67、0.74 和 0.83 。这个结果说明 YOLOv8 模型在综合性能上表现更出色。
- 确定标准平面：研究人员根据髂骨线的形状来区分超声图像的前、中（标准）、后截面。他们发现通过检测髂骨中点，再计算两条射线形成的角度（一条是髂骨下边缘和髂骨中点的连线，另一条是髂骨中点和髋臼骨边缘的连线），当角度在 - 5° 到 5° 之间时，就可以认为是标准平面。这个方法可以帮助操作人员确定标准平面，指导他们移动探头。
在研究结论和讨论部分，研究人员再次强调，他们开发的深度学习神经网络模型在使用超声图像检测 DDH 五个地标方面是可行的，并且有可能在临床中实时帮助确定 DDH 筛查的标准平面，对测量 DDH 的主要参数也有帮助。不过，这项研究也存在一些局限性。比如，数据只是来自单个中心，需要多中心数据集来进一步验证模型；模型还需要基于更多超声数据进行优化；而且还没有把 AI 测量结果和专家测量结果进行充分比较。另外，在确定合适的成像平面时，临床采集的超声图像大多来自髋关节中线，髋臼的前后图像较少，模型也没有考虑到髂骨与探头的斜率问题。
尽管存在这些不足，但这项研究仍然为 DDH 的诊断和筛查开辟了新的道路。它让人们看到了深度学习技术在医学超声领域的巨大潜力。通过这种技术，可以帮助操作人员更准确地获取超声图像，减少人为因素带来的误差，提高 DDH 筛查的准确性和效率。未来，随着研究的不断深入和完善，相信这种深度学习模型会在临床实践中发挥更大的作用，为更多的宝宝带来健康的希望。
