人工智能(AI)技术是一种能够模拟人类智能的技术,包括机器学习、计算机视觉、自然语言处理等多个领域[1-3]。随着计算机技术和算法的不断发展,AI技术在许多领域得到了广泛的应用,如医学、金融、交通等。骨科手术实践是培养骨科医学专业人才的重要环节,目前,AI技术在骨科领域的主要应用集中在骨创伤、关节重建、骨肿瘤、运动医学等方面[4]。本文通过查阅AI技术在骨科手术实践领域应用方面的文献,从AI技术在骨科手术操作、手术规划、疾病诊断及AI的优势与不足等方面展开分析,综述如下。
1 手术操作AI在骨科手术操作中的应用可以显著提高手术的精准度和安全性,缩短手术时间,减少医疗资源浪费,优化手术流程,并提高手术效率和质量,同时也可以为医师提供更好的反馈和指导。大量研究证实AI技术可以在关节、创伤和脊柱手术操作中发挥重要作用。
1.1 关节置换冯宾等[5]比较了采用增强模式MAKO手术机器人辅助后外侧入路全髋关节置换术(RTHA)与常规全髋关节置换术(THA)的早期临床疗效,发现RTHA能提高髋臼杯植入的准确性,可更精确恢复下肢长度及联合偏心距,对股骨侧前倾的判断有助于个体化调整髋臼前倾。夏润之等[6]回顾性分析了5例接受“鸿鹄”关节置换手术机器人辅助全膝关节置换术(TKA)治疗的患者临床资料,结果表明,“鸿鹄”系统具有良好的截骨准确性和稳定性,能够帮助外科医师实现更好的术中截骨和术后力线重建效果。许中华等[7]比较了机器人辅助TKA(RA-TKA)和传统TKA在损伤量效方面的差异,结果表明,RA-TKA较传统TKA可缩短手术时间,减少血液检验指标的异常变化,降低截骨偏差,改善下肢力线重建的精准度,并提高术后患者的舒适度;术后3 ~ 12个月的随访结果显示,2组在自我评价和并发症方面没有显著差异。综上所述,RA-TKA相较于传统TKA,手术创伤更小,且在多个指标优势显著。
1.2 脊柱疾病Bissonnette等[8]将虚拟现实与AI技术相结合,用于分析骨科住院医师手术训练的水平。受试者被要求在虚拟现实手术训练系统上进行半椎板切除术,考核参数包括与手术安全性、效率、手术器械运动和手术协调性相关的12项指标,结果表明,AI算法的评价准确率为97.6%,显著优于其他算法,表明AI技术可提供更加安全的手术培训和更加客观的外科技能评估,有助于骨科医师的手术训练。Solomiichuk等[9]采用AISpineAssist机器人系统治疗胸腰椎转移性脊柱疾病,并与传统透视法进行比较,结果表明,机器人组和常规组之间螺钉放置的准确度没有差异,辐射暴露时间和术后感染率也相当,机器人引导椎弓根螺钉置入术与传统技术相比具有可行性和同等的效果,可作为治疗胸腰椎转移性疾病的有效手段。在脊柱退行性疾病、脊柱畸形和脊柱微创手术方面,多个临床研究[10-14]均证实AI技术能够辅助医师在不增加手术时间和术后并发症的情况下,显著提高椎弓根螺钉置入的精准度和安全性。
1.3 骨折及其他陈宣煌等[15]采用AI机器人辅助下股骨近端防旋髓内钉(PFNA)内固定治疗股骨粗隆间骨折,并与透视下PFNA内固定治疗组进行对比,结果表明,AI组手术时间、透视及导针调整次数明显更少,术后各应激反应指标水平明显更低,术后各项髋关节功能评分更高,提示AI辅助能够有效提升手术效果,降低机体应激反应。罗进等[16]对比了机器人辅助下钻孔减压与传统手术治疗股骨头无菌性坏死的疗效差异,结果表明,机器人辅助组与传统组相比疗效虽无明显优势,但其手术切口小,术中透视次数少,创伤小,操作更加安全。顾珊菱等[17]探讨了天玑骨科手术机器人辅助下经皮空心螺钉内固定治疗老年患者骨盆骨折和髋臼骨折的疗效,结果表明,机器人辅助组较传统徒手定位组螺钉置入更加精准、规范,实现了手术的微创化,提高了手术的安全性,减少了医患放射线的接触时间,降低了术后各种并发症的发生率,提高了老年患者的生活质量。
2 手术规划AI辅助手术规划系统可根据患者的病情和手术需求规划个性化的手术方案,根据CT、MRI等影像数据进行3D重建和分析,确定手术部位和手术器械,还可结合医师的经验和专业知识制订个性化的手术方案和手术流程,有助于医师精准手术操作,提高手术效果,降低手术风险。
Murphy等[18]利用人工神经网络模型识别THA术后X线片中的置入物,共使用2 116张照片进行建模和训练,并通过1 594份手术报告验证了阀杆品牌和型号,最终采用Dense Net 201架构,其在训练数据中的准确率为100.00%,在验证数据中的准确率为95.15%,在前瞻性患者系列中的准确率为91.16%,优于所有其他架构。卷积神经网络(CNN)还能够显示出任何输入影像学资料的股骨干分类概率,可应用于外科术前识别先前置入物,平均运行时间为0.96(SD 0.02)s。Biron等[19]开发了一款机器学习工具,根据患者的医学共病和人口统计因素,帮助选择门诊全肩关节置换术(TSA)患者。采用随机森林机器学习模型预测哪些患者可以在1 d内出院,并使用多变量logistic回归分析确定哪些变量与住院时间相关,结果显示,机器学习模型能够成功识别短期住院患者,并确定了与住院时间相关的变量,包括年龄、性别、是否伴糖尿病/慢性阻塞性肺病等。研究表明,机器学习可以根据患者的合并症和人口统计特征预测哪些患者适合进行门诊TSA。
Chen等[20]的研究验证了一种AI-THA术前计划系统(AIHIP)的准确性,该系统集成了深度学习算法,以促进自动图像分割、图像校正、术前畸形识别和术后模拟,结果表明,AIHIP显著减少了术前规划时间和人力运算,尤其适用于THA的初学者。韩巍等[21]评估了锥形束CT(CB-CT)引导下机器人辅助反肩关节肩盂基座螺钉导针置入的精确度,结果表明,该技术规划的入止点与实际入止点位置偏差为(1.155±0.517)mm,尾端止点位置偏差为(1.047±0.288)mm,规划路径与实际路径夹角偏差为(1.564°±0.888°),证实该技术精度高,可为反肩关节置换术提供可行性选择。
张孔源等[22]分析了影响基于CT与透视的骨科手术机器人内固定钉道规划误差的因素,探讨数字化定位规划的精准度,结果显示,基于CT导航的骨科手术机器人钉道规划精度高,可以真实反映钉道的空间角度和长度,适应股骨颈的生物力学特性,定位精确可靠;基于C形臂X线机透视的钉道规划受切线位成像、投影成像和测量选点等因素的影响,误差较大。
3 诊断AI技术可以在疾病诊断中发挥重要作用。基于深度学习的骨科疾病诊断系统可以根据患者的CT、MRI等影像数据对骨科疾病进行自动分类和诊断;也可自动识别病灶和病变的位置、形状和大小等特征对疾病进行自动分类和诊断;还可结合医师的经验和专业知识进行预后评估。
3.1 骨折Guermazi等[23]采用多病例多人阅片的方法,使用外部多中心数据集进行回顾性诊断研究,评估了24名受试者(放射科医师、骨科医师、急诊医师、医师助理、风湿病学家、家庭医师)在有/无AI辅助下诊断480例患者影像学资料的骨折情况,结果表明,AI辅助诊断可提高放射医师和非放射医师对骨折的敏感度,并可提高特异度,且不会延长阅片时间。Ashkani-Esfahani等[24]采用深度学习算法,比较单视图和三视图下CNN的性能,用于踝骨折的检测。采用1 050例患者的影像学资料训练神经网络性能,其中72例被标记为隐匿性骨折,结果表明,采用三视图训练的神经网络性能优于单视图,对踝骨折的灵敏度和特异度均可达98.6%,最高灵敏度和特异度均可达98.7%,证实该深度学习算法可作为临床医师的辅助工具,提高踝骨折的检测速度和准确性。
王立鹏等[25]构建了一种可视化深度学习模型,用于股骨颈骨折的检测和分型诊断,结果显示,模型可显著提高医师诊断的准确度、灵敏度和特异度以及对骨折分型的诊断能力,证实深度学习模型对股骨颈骨折检测和医师培训的重要价值。朱万博等[26]使用深度学习算法术后股骨头骨坏死(ONFH),并与传统模型进行比较,结果表明,深度学习法具有较高的准确率和预测能力,为术后ONFH的干预和治疗决策提供了可靠指导。
3.2 关节病Choi等[27]采用随机森林和XGBoost算法开发了一种膝关节感染性关节炎诊断模型,并将其应用于测试数据集进行验证,结果显示,机器学习模型的曲线下面积高于滑液白细胞计数,表明机器学习算法可以提高膝关节感染性关节炎的诊断准确性。Nam等[28]使用CNN从膝关节正位X线片预测负重线比率(WBL)量化值,选取2 410例患者的4 790张膝关节X线片,并使用分层随机抽样法进行随机选择,通过由专家注释的4个点进行数据集裁剪,并使用模型预测起始WBL点和结束WBL点分析模型输出的像素单位和WBL误差值,结果显示,这种基于深度学习的关键点检测算法能够预测下肢对齐,具有与采用全腿X线片直接测量相当的准确性,可用于诊断初级保健中的骨关节炎患者的下肢对齐情况。李强等[29]通过改进的AI模型对骨盆正位X线片进行快速准确筛查,测量Sharp角、中心边缘角和髋膝踝角,并辅助诊断发育性髋关节发育不良(DDH)和膝关节内外翻畸形;经验证AI模型具有高准确性和高效率,可提高基层医师的诊断水平,促进医疗公平性,并为骨科影像智能化打下基础。张思成等[30]开发了一种基于深度学习的系统,用于辅助诊断儿童DDH,研究通过对10 219张X线片进行标注和分类,证实系统的诊断结果与临床医师一致性较高,可改善DDH筛查和转诊流程。
3.3 骨肿瘤Fan等[31]研究了深度学习算法在肺癌脊柱转移诊断中的应用,其采用AdaBoost算法和Chan-Vese(CV)算法对87例肺癌脊柱转移患者进行全面分析,实现了96.55%的初步分类准确率;通过对45个MRI图像热点进行测试发现,CV算法的分割准确性明显优于OTSU和区域生长算法,其Dice指数和Jaccard系数分别为0.859 1和0.800 2,证实采用AdaBoost算法和CV算法对肺癌脊柱转移进行诊断效率理想,值得临床推广。陶宇章等[32]验证了AI深度学习模型在原发性骨肿瘤组织病理学诊断中应用的可行性和有效性,其通过建立全类别骨肿瘤组织病理学全视野数字病理影像图片(WSI)数据库并利用多种神经网络框架进行模型构建,将深度学习模型的性能与病理医师的诊断进行对比评估,结果表明,VGG-16和Inception V3模型在骨肿瘤的侵袭性分类中表现优异,其诊断准确性与高级病理医师相当,证实深度学习模型能够依靠病理形态特征准确预测骨肿瘤的侵袭性分类。曲扬等[33]使用CNN和迁移学习方法识别肿瘤边界,并评估其准确性,结果显示,该方法可以准确快速识别肿瘤边界,术中截骨面的准确性也得到评估。这项研究强调了骨盆肿瘤术前MRI评估的重要性,并展示了深度学习在该领域的应用潜力。
3.4 特发性脊柱侧凸(AIS)Sun等[34]比较了基于深度学习关键点检测技术的手动和自动测量Cobb角在AIS中的差异。研究共收集181张脊椎正侧位X线片,其中包括165例AIS患者和16名健康志愿者;使用2种基于CNN的最新深度学习物体检测模型分别分割每个椎节并定位,比较分析模型输出的Cobb角和手动测量的数据,结果表明,自动化方法测量每张X线片平均仅需4.45 s,自动测量与手动测量结果一致,具有高度的可靠性。李成等[35]利用AI深度学习技术提出一种快速、自动、精确的青少年AIS患者Cobb角测量工具,以提高医师的诊疗效率。研究通过对1 500张X线片的前期处理和模型改进,并通过人工校正提高对Lenke 1型患者Cobb角的测量精度;结果表明,新模型与传统方法在Cobb角测量方面差异无统计学意义,且测量结果具有良好的一致性,且新模型的测量时间显著减少。柴火等[36]利用Mask R-CNNAI算法识别背部轮廓,并计算脊柱侧凸的Cobb角范围,建立了青少年脊柱侧凸的诊断和监测模型。研究通过无创背部图像获取和CNN特征提取评估脊柱侧凸的严重程度,结果显示,模型在脊柱侧凸检出和Cobb角≥20°识别方面与X线片测量结果一致,并且准确度优于人类专家平均水平。陈锴等[37]针对AIS手术治疗中的冠状位并发症进行研究,并通过深度学习模型进行术后冠状位结果的预测,结果表明,在Lenke 1和Lenke 2型的AIS患者中,未融合节段可以实现较好的自发代偿;在Lenke 5和Lenke 6型的AIS患者中,术前Bending位L5倾斜角、术后胸凸顶椎偏移距离和术后腰凸Cobb角是导致冠状位失衡的主要危险因素。以上研究证实,深度学习模型可以预测AIS后路手术的冠状位结果,并为矫形策略选择提供参考价值。
3.5 腰椎疾病石家晓等[38]应用基于AI的全自动计算机辅助诊断(CAD)系统来定位腰椎MRI中的椎间盘并诊断腰椎椎间盘突出,结果显示,CAD系统在定位、诊断和分型方面具有较高的准确度和灵敏度,同时在人机对战中显示出明显的优势。该研究说明,CAD系统在腰椎椎间盘突出症诊断中具有潜在的临床应用价值,并为提高脊柱疾病诊断效率提供了新途径。姚红艳等[39]基于深度学习算法构建了腰椎数字X线片自动测量模型,用于测量与腰椎稳定性相关的影像参数,并评估了其性能。研究收集了2 594例腰椎数字X线片,采用深度学习算法进行模型构建和训练,模型能够自动识别椎体关键点并测量参数,包括腰椎前凸角、腰椎曲线指数、骶骨倾斜角等,与人工测量相比,模型具有较好的一致性和准确性。
4 优势与不足AI技术在骨科手术实践中的应用优势:①能够让医学生更好地理解和掌握骨科理论知识,获得更多的实践机会;②能够快速获取患者的病情信息和诊断结果,制订精准的手术方案;③能够降低骨科疾病手术的风险和操作难度,提高手术的成功率[40-41]。但也存在一些不足:①数据不足。对于某些疾病或手术,缺乏足够的数据支持机器学习算法的应用。②模型解释性不足。机器学习模型的预测结果难以解释,对于医学教育和临床实践的应用可能存在一定的障碍。③前沿技术使用受限。一些前沿技术,如深度学习算法,需要高性能的计算机资源和大量的训练数据,这对于一些医学院校或医院来说可能难以承受。④缺乏专业人员。开发和维护AI技术需要具备相关技能和知识的专业人员,这在医学院校或医院中可能存在不足。⑤存在隐私和安全问题。医疗数据的隐私和安全问题一直是AI技术应用中的难点和瓶颈,医学院校或医院需要采取相应的措施来保障患者的隐私和数据安全。
5 结语与展望AI技术在骨科手术操作、手术规划、病例诊断和治疗方案制订等方面已经取得了许多重要的成果,但在数据质量和隐私保护等方面还存在挑战,同时也需要更加深入地研究AI技术与医学的结合方式,未来的研究方向应着重于解决这些问题,以提高手术成功率,最大限度减少手术并发症。在未来的发展中,AI技术有望在骨科手术实践领域发挥更加重要的作用。首先,随着AI技术的不断发展和完善,可以实现对骨科疾病更准确和快速的诊断,同时提供更有效的治疗方案。其次,通过采集和分析患者的医疗数据,可以实现对患者的个性化医疗,包括手术方案和术后康复等方面的个性化制订。最后,AI技术可与其他技术相结合,进一步提高其在骨科手术实践中的效果和应用范围,如结合虚拟现实技术可实现更加真实的手术模拟和演练,结合机器人技术实现更加精准的手术操作和治疗。未来,AI技术需要加强相关的规范和监管,保障AI技术在骨科手术实践中的安全性和可靠性;还需要加强与其他学科的合作,拓展AI技术在骨科领域的应用范围和深度。总之,AI技术在骨科手术实践中的应用前景广阔,未来有望成为骨科医疗事业发展的重要推动力。
[1] |
Liu PR, Lu L, Zhang JY, et al. Application of artificial intelligence in medicine: an overview[J]. Curr Med Sci, 2021, 41(6): 1105-1115. DOI:10.1007/s11596-021-2474-3 |
[2] |
高宇, 翟吉良, 丁大伟, 等. 人工智能在骨科手术机器人中的应用与展望[J]. 中华骨与关节外科杂志, 2022, 15(2): 155-160. |
[3] |
BhandarI M, Zeffiro T, Reddiboina M. Artificial intelligence and robotic surgery: current perspective and future directions[J]. Curr Opin Urol, 2020, 30(1): 48-54. DOI:10.1097/MOU.0000000000000692 |
[4] |
Farhadi F, Barnes MR, Sugito HR, et al. Applications of artificial intelligence in orthopaedic surgery[J]. Front Med Technol, 2022, 4: 995526. DOI:10.3389/fmedt.2022.995526 |
[5] |
冯宾, 赵晶, 彭慧明, 等. 增强模式MAKO机器人辅助后外侧入路全髋关节置换术的早期疗效对比研究[J]. 中华骨与关节外科杂志, 2022, 15(8): 577-583. |
[6] |
夏润之, 童志成, 张经纬, 等. 国产"鸿鹄"膝关节置换手术机器人的早期临床研究[J]. 实用骨科杂志, 2021, 27(2): 108-113, 117. |
[7] |
许中华. 机器人辅助技术降低全膝关节置换术创伤效应的前瞻性、随机对照研究[D]. 重庆: 陆军军医大学, 2022.
|
[8] |
Bissonnette V, Mirchi N, Ledwos N, et al. Artificial intelligence distinguishes surgical training levels in a virtual reality spinal task[J]. J Bone Joint Surg Am, 2019, 101(23): e127. DOI:10.2106/JBJS.18.01197 |
[9] |
Solomiichuk V, Fleischhammer J, Molliqaj G, et al. Robotic versus fluoroscopy-guided pedicle screw insertion for metastatic spinal disease: a matched-cohort comparison[J]. Neurosurg Focus, 2017, 42(5): E13. DOI:10.3171/2017.3.FOCUS1710 |
[10] |
Lieberman IH, Kisinde S, Hesselbacher S. Robotic-assisted pedicle screw placement during spine surgery[J]. JBJS Essent Surg Tech, 2020, 10(2): e0020. DOI:10.2106/JBJS.ST.19.00020 |
[11] |
Shafi KA, Pompeu YA, Vaishnav AS, et al. Does robot-assisted navigation influence pedicle screw selection and accuracy in minimally invasive spine surgery?[J]. Neurosurg Focus, 2022, 52(1): E4. 4. |
[12] |
Morse KW, Otremski H, Page K, et al. Less invasive pediatric spinal deformity surgery: the case for robotic-assisted placement of pedicle screws[J]. HSS J, 2021, 17(3): 317-325. DOI:10.1177/15563316211027828 |
[13] |
王亚楠, 刘海军, 邵诗泽, 等. Renaissance脊柱手术机器人在胸腰椎骨折中的临床应用[J]. 脊柱外科杂志, 2021, 19(2): 89-93. |
[14] |
于笑笙, 陈修远, 陈皓, 等. 骨科机器人辅助微创精准手术治疗胸腰段骨折的初步经验[J]. 脊柱外科杂志, 2020, 18(6): 369-375. |
[15] |
陈宣煌, 郑锋, 蔡涵华. 机器人辅助下股骨近端防旋髓内钉内固定治疗股骨粗隆间骨折研究[J]. 中国医药科学, 2021, 11(2): 198-201. |
[16] |
罗进, 兰海, 严雅静. 机器人辅助下钻孔减压治疗股骨头坏死与传统手术的对比[J]. 中国组织工程研究, 2020, 24(27): 4317-4321. |
[17] |
顾珊菱, 许岩, 杨光, 等. 骨科手术机器人辅助下经皮螺钉内固定治疗老年骨盆和髋臼骨折的疗效及对生活质量的影响[J]. 中国老年学杂志, 2020, 40(5): 1001-1004. |
[18] |
Murphy M, Killen C, Burnham R, et al. Artificial intelligence accurately identifies total hip arthroplasty implants: a tool for revision surgery[J]. Hip Int, 2022, 32(6): 766-770. DOI:10.1177/1120700020987526 |
[19] |
Biron DR, Sinha I, Kleiner JE, et al. A novel machine learning model developed to assist in patient selection for outpatient total shoulder arthroplasty[J]. J Am Acad Orthop Surg, 2020, 28(13): e580-e585. DOI:10.5435/JAAOS-D-19-00395 |
[20] |
Chen X, Liu X, Wang Y, et al. Development and validation of an artificial intelligence preoperative planning system for total hip arthroplasty[J]. Front Med(Lausanne), 2022, 9: 841202. |
[21] |
韩巍, 张腾, 黄强, 等. 锥形束CT引导机器人辅助反肩关节肩盂基座螺钉导针置入精准度研究[J]. 北京生物医学工程, 2021, 40(3): 245-251. |
[22] |
张孔源, 曹修恒, 丁宁, 等. 三维数字化骨科手术机器人在股骨颈骨折内固定钉道设计中的规划与测量[J]. 潍坊医学院学报, 2020, 42(6): 429-431, 封3. |
[23] |
Guermazi A, Tannoury C, Kompel AJ, et al. Improving radiographic fracture recognition performance and efficiency using artificial intelligence[J]. Radiology, 2022, 302(3): 627-636. DOI:10.1148/radiol.210937 |
[24] |
Ashkani-Esfahani S, Mojahed Yazdi R, Bhimani R, et al. Detection of ankle fractures using deep learning algorithms[J]. Foot Ankle Surg, 2022, 28(8): 1259-1265. DOI:10.1016/j.fas.2022.05.005 |
[25] |
王立鹏. 深度学习在辅助股骨颈骨折诊断及医师培训中的应用研究[D]. 上海: 海军军医大学, 2020.
|
[26] |
朱万博. 预测股骨颈骨折空心钉固定后股骨头坏死的Nomogram构建与验证研究及其人工智能化探索[D]. 合肥: 安徽医科大学, 2021.
|
[27] |
Choi ES, Sim JA, Na YG, et al. Machine-learning algorithm that can improve the diagnostic accuracy of septic arthritis of the knee[J]. Knee Surg Sports Traumatol Arthrosc, 2021, 29(10): 3142-3148. DOI:10.1007/s00167-020-06418-2 |
[28] |
Nam HS, Park SH, Ho JPY, et al. Key-point detection algorithm of deep learning can predict lower limb alignment with simple knee radiographs[J]. J Clin Med, 2023, 12(4): 1455. DOI:10.3390/jcm12041455 |
[29] |
李强. 基于深度神经网络的DDH影像学辅助诊断模型的构建与应用研究[D]. 长春: 吉林大学, 2020.
|
[30] |
张思成, 孙军, 林昱东, 等. 人工智能辅助诊断儿童发育性髋关节发育不良的临床应用[J]. 中国骨与关节杂志, 2021, 10(6): 410-417. |
[31] |
Fan X, Zhang X, Zhang Z, et al. Deep learning on MRI images for diagnosis of lung cancer spinal bone metastasis[J]. Contrast Media Mol Imaging, 2021, 2021: 5294379. |
[32] |
陶宇章. 基于人工智能的骨肿瘤组织病理学辅助诊断研究[D]. 重庆: 重庆医科大学, 2022.
|
[33] |
曲扬. 基于深度学习的骨盆肿瘤影像学规划的研究[D]. 上海: 上海交通大学, 2019.
|
[34] |
Sun Y, Xing Y, Zhao Z, et al. Comparison of manual versus automated measurement of Cobb angle in idiopathic scoliosis based on a deep learning keypoint detection technology[J]. Eur Spine J, 2022, 31(8): 1969-1978. DOI:10.1007/s00586-021-07025-6 |
[35] |
李成. AI深度学习技术下青少年特发性脊柱侧凸图像识别与临床初步应用[D]. 桂林: 桂林医学院, 2022.
|
[36] |
柴火. 基于卷积神经网络的青少年脊柱侧凸筛查技术[D]. 太原: 山西医科大学, 2022.
|
[37] |
陈锴. 青少年特发性脊柱侧凸术后冠状位并发症相关分析及基于深度学习的矫形模型构建的初步探索[D]. 上海: 海军军医大学, 2021.
|
[38] |
石家晓. 人工智能神经网络诊断腰椎间盘突出及病理特点的应用研究[D]. 天津: 天津医科大学, 2019.
|
[39] |
姚红艳. 基于腰椎DR腰椎稳定性影像参数测量的深度学习研究[D]. 兰州: 甘肃中医药大学, 2022.
|
[40] |
贾萌, 张瑛琪, 李云峰, 等. 医学人工智能教育的研究进展[J]. 医学教育研究与实践, 2023, 31(1): 1-6. |
[41] |
刘禧澳, 陈锴, 童文文, 等. 人工智能时代下骨科领域教学的现状及未来前景[J]. 医学教育研究与实践, 2022, 30(3): 383-387. |