基于深度迁移学习模型实现股骨头坏死与其他髋部疾病的X线片鉴别诊断

来源：中华骨科杂志2023年第01期北京时间：

作者：黄泽青,刘予豪,方汉军,陈海诚,王海彬,陈镇秋,周驰

单位：广州中医药大学第一附属医院,广州中医药大学第一附属医院,广州中医药大学第一附属医院,广州中医药大学第一附属医院,广州中医药大学第一附属医院,广州中医药大学第一附属医院,广州中医药大学第一附属医院

摘要：目的 采用深度迁移学习方法实现基于正位X线图像的股骨头坏死（osteonecrosis of femoral head，ONFH）、发育性髋关节发育不良（developmental dysplasia of hip，DDH）与其他常见髋关节疾病的鉴别诊断。方法 回顾性收集2018年1月至2020年12月在广州中医药大学第一附属医院就诊的ONFH、DDH及原发性髋关节骨关节炎、非感染性炎性髋关节病、股骨颈骨折等髋关节疾病患者的髋关节正位X线图像，建立临床数据集。通过图像旋转、翻转形式的数据增强方法扩展数据集，然后将数据集随机平分为训练集和测试集。将可迁移归一化技术引入ResNet-152深层神经网络模型，替换原有的批归一化技术，建立新的深度迁移学习模型。通过训练集训练该模型，随后评价该模型在测试集基于髋关节正位X线图像实现人工智能区分ONFH、DDH及其他髋关节疾病的效果。结果 临床数据集共纳入1 024髋的正位X线图像，共计542髋ONFH、296髋DDH、186髋其他髋关节疾病（原发性骨关节炎56髋、非感染性炎性髋关节病85髋、股骨颈骨折45髋）。通过数据增强方法扩展为包含6 144髋的数据集。在训练集上对深度迁移学习模型进行100 050次训练。该模型区分ONFH及其他髋关节疾病的二分类准确率最佳值达95.80%，区分ONFH、DDH及其他髋关节疾病的三分类准确率最佳值达91.40%。模型重复训练至50 000次后分类准确率达到平台期。二分类及三分类任务平台期的准确率平均为95.35%[95%（95.33%，95.37%）]和90.85%[95%（90.82%，90.87%）]。结论 深度迁移学习模型在初诊环节，可基于简便、经济的正位X线图像区分ONFH、DDH与其他的常见髋关节疾病。

关键词：人工智能;深度学习;诊断，鉴别;股骨头坏死

基金资助：国家自然科学基金\u003C\u002Ffunding-source\u003E\u003Caward-id\u003E82205138