利用机器学习识别经验证尸体前交叉韧带（ACL）损伤模型中下肢生物力学破裂预测因子

这对移动中的膝盖为何重要

对运动员、军人和活跃人群来说，膝盖前交叉韧带（ACL）撕裂可能改变人生，通常需要手术和长期康复。当前医学在事后确认韧带已撕裂方面做得很好，但远不如在事前警示膝盖即将失效方面有效。本研究探讨机器学习——从数据中学习模式的计算程序——是否能在撕裂发生前毫秒级别识别出危险的膝关节受力模式，以及这些预警信号是否最终可由实用的可穿戴传感器捕捉到。

研究者如何重现膝关节损伤

研究组没有仅在真实运动员受伤后研究病情，而是使用专用机械装置和捐赠的尸体腿，在实验室中重现现实的ACL撕裂。模拟器在多个方向上推拉并扭转每个膝关节，模仿运动员从跳跃着陆或变向切换时出现的复杂力学。置于ACL及其周围结构的微小传感器记录了韧带的拉伸程度，而力板与负载传感器测量了足部和膝部的力的方向与大小。研究从51个标本中在接触地面前后关键时刻提取了数十项测量值，并记录了性别、身高和体重等基本信息。

将原始运动数据转为风险标签

为了使这些数据可用于计算模型，研究者将每次冲击标注为若干阶段之一：明显在任何损伤之前（“破裂前”）、导致韧带失效前的那次试验（“破裂前的试验”）、实际撕裂（“破裂”）以及随后较晚的“破裂后”阶段。为实时预测，只有前三个阶段有意义，因此剔除了破裂后数据。随后他们创建了四个相关数据集：其中两个包含全部53项实验室级测量；另两个将信号缩减为13项更现实可由可穿戴设备获得的指标，例如初次足部接触时的力。在每对数据集中，一个版本使用三类（破裂前、破裂前的试验、破裂），另一个则将最后两类合并为更简单的二分：安全与“风险升高”。

教机器识别危险模式

团队测试了八种常见的机器学习方法，涵盖从简单的逻辑回归到决策树、随机森林、梯度提升和线性判别分析等。他们用大多数膝关节的数据训练这些模型，然后在模型从未见过的膝关节上检验其性能，以防算法仅记忆单个标本。对于丰富的实验室级数据，最佳模型将约80–87%的冲击正确分类到三个详细阶段中。当标签简化为仅“破裂前”与“风险升高”时，准确率跃升至约92–95%。在缩减为可穿戴式数据后，三类准确率下降至约60–77%，但在合并类别为安全对比风险升高后，再次上升至大约81–83%。

计算机从运动中发现了什么

跨所有模型与数据集，一个显著的模式浮现：最有信息量的线索来自着陆时极早期的受力。仅在足部接触地面后33毫秒所测得的力，尤其是沿前后方向和垂直方向的推拉力，反复被评为最重要的特征。膝关节的峰值扭转与弯曲力矩以及初次接触时的受力也很重要。相比之下，一旦这些快速的力学特征可用，性别或身高等人口统计学特征则只起次要作用。“破裂前的试验”与“破裂”阶段在生物力学上非常相似，这解释了模型为何难以将两者区分，但能可靠地将它们与更安全的破裂前试验区分开来。从实际角度看，这表明一旦膝盖进入危险受力模式，“几乎撕裂”与“已撕裂”之间的时间窗口非常短暂。

从实验台走向智能支具与赛场

对非专业读者而言，主要结论是：我们的膝盖在着陆后最初几千分之一秒内就会发出危险信号，计算模型可以学会读取这些微妙的讯号。通过关注早期冲击力——初次接触时腿部被推、拉和扭的方式——机器学习系统即使使用足以由可穿戴传感器收集的简化数据，也能可靠地标识膝盖何时从正常受力转入高风险状态。本研究在尸体膝关节上进行且样本量有限，因此向在生运动员的推广还需更多工作、更大的数据集以及可能更先进的算法。不过，它为未来的智能支具、鞋垫或场边系统奠定了基础，这些系统可在运动员和教练做出危险动作时发出警报，把ACL护理从事后手术转向主动的损伤预防。

引用: Khorrami, P., Braimoh, T., Reis, D.A. et al. Utilization of machine learning to identify lower extremity biomechanical predictors of rupture in a validated cadaveric model of ACL injury. Sci Rep 16, 8711 (2026). https://doi.org/10.1038/s41598-026-43183-7

关键词: ACL 损伤预测, 运动生物力学, 医学中的机器学习, 可穿戴传感器, 膝关节损伤预防