肌肉骨骼超声中的人工智能:肌肉损伤、外周神经与透明质酸注射

人工智能如何被用于肌肉损伤分级、外周神经自动测量以及超声引导透明质酸注射的辅助研究——哪些已有证据支持,哪些仍是前景。

人工智能(AI)已经进入超声检查的一些日常应用领域,例如甲状腺和乳腺结节的分诊,但在肌肉骨骼(MSK)超声领域,情况则大不相同:这一领域仍处于早期阶段,研究数量少,几乎没有外部验证,也没有已确立临床应用的算法。2024年发表于《Radiologia Medica》的一项系统综述检索了2020至2023年间发表的MSK超声人工智能研究,最终仅纳入16项研究,且大多数仅进行了内部验证,未在其他人群或中心得到证实。本文回顾了目前研究在三个与临床密切相关领域的进展:肌肉损伤分级、外周神经评估,以及超声引导下的透明质酸注射,明确指出哪些技术已经真正带来帮助,哪些仍停留在前景阶段。

肌肉损伤:从BAMIC分级到计算机辅助定量评估

英国田径肌肉损伤分级(British Athletics Muscle Injury Classification, BAMIC)由Pollock等人于2014年提出,已成为运动员肌肉损伤分级中使用最广泛的体系。该系统结合损伤的解剖位置(肌筋膜、近端、远端或中央肌腱连接处,或肌腱内)与组织损伤程度(0至4级),给出与预期重返赛场时间相关的严重程度评估。尽管该分级最初基于磁共振成像制定,但在急性肌肉损伤的初步评估中也被广泛应用于超声检查,因为超声检查快速、便捷,甚至可在赛场边完成。一个公认的局限是,超声分级在很大程度上依赖检查者的经验和图像质量,历史上观察者间的一致性低于磁共振分级。

正是这种变异性,推动了对定量与人工智能工具的关注。2024年发表于《Insights into Imaging》的一项研究显示,腘绳肌损伤后其剪切波速度(通过剪切波弹性成像测量)仍持续降低,即便运动员已被临床评估为可以重返赛场,这提示存在一种超越图像视觉判断的组织恢复定量生物标志物。像MyoVision-US(Wen等,《Scientific Reports》,2025年)这样的软件则证明,神经网络能够自动提取肌肉厚度、横截面积和回声强度,与人工测量高度一致,组内相关系数在0.85至0.99之间,将图像分析时间从数小时缩短至数秒。这些工具目前尚不能自动为急性肌肉损伤分级,也不能替代临床判读,因为它们的验证对象是一般肌肉结构而非急性损伤,但它们展示了未来通过人工智能辅助量化损伤严重程度、并与检查者所做的BAMIC分级相互补充的可能路径。

外周神经:从人工测量到自动分割

外周神经的超声评估如今是诊断卡压性神经病的重要组成部分,例如腕管综合征中的腕部正中神经,以及肘部尺神经病变。神经横截面积是最常用的测量指标:在受压部位神经增粗提示水肿和轴索损害,这种改变往往早于肌电图出现明显异常。然而,这项测量目前仍以人工方式完成,需要专门培训,并且耗费检查者的时间,这正是推动自动分割算法研发的原因。

一个近期的例子是Moser等人的研究,发表于2024年的《Scientific Reports》,他们利用来自51个手腕(腕管综合征患者及健康对照者)的2355张人工分割图像训练了一个U-Net结构的神经网络,以自动定位并测量正中神经。该算法相对于人工分割的Dice系数为0.76,计算面积的中位差异约为11%。当使用这一自动测量结果对手腕进行正常或异常分类时,诊断准确率为75%,而专家人工测量的准确率为81%。也就是说,人工智能的表现已接近人类专家水平,但仍略逊一筹,并且在解剖变异较大的病例,如分叉神经或低对比度图像中,仍存在困难。

将这一发现置于更广泛的背景中来看,前述系统综述发现,大多数MSK超声人工智能研究,包括针对外周神经、肌腱、肌肉和软骨的研究,仅采用了内部验证,截至该综述发表时尚无任何报告多中心外部验证的研究。这在实践中意味着,自动神经分割算法目前仍是有前景的研究工具,可用于规范卡压性神经病的筛查,但尚不能替代经验丰富的超声医师所做的检查。

超声引导下的透明质酸注射:关节保护方面已有扎实证据

与前两个主题不同,关节内注射透明质酸,即粘弹性补充治疗,并非基于人工智能的新技术,而是一项成熟的临床实践,数十年来一直被用作骨关节炎患者控制疼痛、保护关节的策略,尤其是在考虑关节置换手术之前。近年来发生变化的是,越来越多扎实的证据表明,与仅依靠可触及的解剖标志进行盲穿相比,实时超声引导进针能够同时提高操作精确度和临床疗效。

2024年发表于《Australasian Journal of Ultrasound in Medicine》的一项系统综述与荟萃分析,纳入了四项随机对照试验,共338名受试者,全部针对膝骨关节炎,结果一致显示超声引导的优势:关节内注射准确率为96%,而盲穿技术仅为78%;在减轻操作中疼痛、改善功能方面均显示出较大的效应量;患者术后即刻满意度也更高,其中一项研究评分为4.9分对4.1分,p值为0.01。

需要注意的是这些证据的集中程度:该荟萃分析纳入的四项试验均仅针对膝关节,尚未发现针对髋关节或手部关节的同等质量对照研究。这并不意味着在其他关节中影像引导可有可无,恰恰相反,对于髋、肩、踝等解剖位置更深或更难触及的关节,解剖学逻辑与当前临床实践均倾向于使用超声引导。但就针对粘弹性补充治疗的随机对照试验证据而言,膝关节目前无疑是研究最充分的关节。

技术辅助引导的未来方向

因此,常规超声实时引导本身已经是一项成熟且被证实有效的技术。目前仍处于研究阶段的,是利用人工智能来辅助这种引导。近期的一些叙述性综述,例如2026年发表于《Frontiers in Artificial Intelligence》关于肩关节注射的一篇综述,描述了深度分割网络,如nnU-Net和U-Net架构,在可行性研究中识别关节周围结构,如肱骨头和肩袖,Dice系数可超过0.90,同时还出现了实时针尖追踪原型系统,以及已在部分监管机构、主要在中国注册的导航系统。在相关领域,一项小规模随机对照试验对人工智能引导下的针尖追踪用于超声引导区域麻醉培训进行了测试,证实了该相关场景下的技术可行性。

一个重要的提醒是,这些综述的作者自己也承认,目前仍缺乏直接的临床研究来衡量,例如,人工智能引导的关节注射相较于传统超声技术在首次穿刺成功率方面的差异。这类文献中引用的较为乐观的数字,大多属于推测性预测或小规模可行性研究的结果,而非稳健临床试验所证实的结果。就目前的临床实践而言,真正拥有实证支持、可即刻使用的工具仍是训练有素的检查者手中的实时超声本身;人工智能辅助导航是一个值得关注的研究方向,而非当前实践的必要条件。

这对临床实践意味着什么

综合这三个主题,可以看到一个共同的模式。在肌肉损伤分级方面,BAMIC仍是临床参考标准,弹性成像等定量工具有助于完善预后判断,但无法取代临床检查和专家判读。在外周神经评估方面,自动分割算法的准确率已接近人类水平,未来有望帮助规范卡压性神经病的筛查,但在进入常规临床应用之前仍需要外部验证。而在关节疼痛控制与关节保护方面,超声引导下的透明质酸注射,完全不需要人工智能,已经是有坚实证据支持的成熟实践,尤其是在膝关节,只要条件允许就应作为标准技术使用。

对于从事或教授肌肉骨骼超声的医生而言,实践层面的启示是双重的:一方面要掌握目前已有扎实证据支持的技术,结构化的肌肉损伤分级、细致的外周神经测量,以及精准的超声引导注射;另一方面也要密切关注这三个领域中的人工智能研究进展,因为在未来几年,这些工作很可能会获得真正经过验证、并在其研发实验室之外得到检验的计算机辅助支持。