基于深度学习的青少年滑雪后膝关节磁共振成像诊断

为什么膝部影像对年轻滑雪者很重要

滑雪在青少年中越来越受欢迎，但也带来了真实的膝部受伤风险，这类损伤会影响运动表现并危及长期关节健康。医生依赖磁共振成像（MRI）查看膝内结构，然而当由人工肉眼阅片时，细微撕裂和早期软骨损伤容易被漏诊。本研究探讨了一种人工智能系统如何帮助放射科医师更快、更一致地阅读青少年滑雪者的膝关节MRI影像，在问题恶化前发现细微病变。

滑雪如何给年轻膝盖带来压力

青少年滑雪者面临较高的膝部问题发生率，尤其是前交叉韧带撕裂和半月板撕裂，以及软骨损伤和内侧副韧带拉伤。这些损伤会中断训练、增加未来关节炎风险，甚至缩短运动生涯。同时，青少年的骨骼和软骨仍在发育，损伤在影像学上的表现不同于成熟运动员，且可能出现在其他部位。尽管如此，大多数用于阅读膝关节MRI的计算机工具是基于成人影像训练的，导致对年轻运动员的支持存在空白。

人工阅片的局限性

标准的MRI诊断在很大程度上依赖放射科医师的技能与经验。逐层阅片既缓慢又容易疲劳，软骨的微小缺陷或部分韧带撕裂可能被忽视。不同医生对同一影像的判断也可能不一致，这会使治疗决策复杂化。早期的计算机方法尝试通过提取简单影像特征并输入传统算法来辅助，但它们难以捕捉区分正常青少年解剖和早期损伤所需的丰富模式。

一个既能定位又能命名损伤的智能模型

研究者构建了一个混合深度学习系统，同时完成两项任务：先在MRI上精确描绘受损区域，然后判断存在哪些损伤类型。模型的一部分称为U-Net++，像数字荧光笔一样在像素级描绘四类损伤：前交叉韧带撕裂、半月板撕裂、软骨损伤和内侧副韧带拉伤。其结构能在多尺度间重用影像细节并在训练中接受额外引导，这对微小或低对比度病灶尤为有利。第二部分基于DenseNet121网络，输入原始切片和高亮的损伤区域，学习它们之间的模式，并输出每侧膝盖可能存在的损伤类型。

在真实青少年滑雪者MRI上的测试

研究团队在309例年龄12至18岁的青少年滑雪者膝关节MRI上训练并评估了系统。经验丰富的放射科医师仔细绘制了损伤区域并对最终标签达成一致，为模型提供了高质量的参考。这些影像覆盖了若干常见MRI序列并在尺寸上进行了标准化。训练过程中，系统见到了许多轻微变形的影像版本，例如小角度旋转和亮度变化，以便应对真实世界的变异。研究者将其方法与基于手工特征的传统机器学习、流行的深度网络ResNet50以及更简单的分割与分类独立模型组合进行了比较。

系统的表现如何

该混合模型在分割和识别损伤方面均显示出明显优势。平均来看，其分割结果与放射科医师的标注高度一致，尤其是在半月板撕裂和韧带损伤上，并且在软骨映射方面较标准U-Net有所改进。分类任务中，它大约十分之九能正确识别损伤类型，在提高真阳性率和降低假警报之间取得了良好平衡。该系统在所有关键指标上均优于传统基于特征的方法和ResNet50，并在训练效率上优于运行多个独立模型的方案。

对年轻运动员和临床的意义

简而言之，研究表明设计良好的AI助手可以帮助医生更快、更一致地阅读青少年滑雪者的膝关节MRI，尤其是在发现小而易被忽视的损伤方面。通过自动标注可疑区域并在数秒内指示可能的损伤类型，这类工具可减少漏诊、支持经验不足的放射科医师并加速治疗和复出决策。作者指出仍需来自多家医院的更多多样化数据，但他们的结果表明，人工智能有望成为保护滑雪场上年轻膝盖的实用伙伴。

引用: Xu, W., Li, S., Zhang, G. et al. Magnetic resonance imaging diagnosis of knee injuries after skiing in adolescents under deep learning. Sci Rep 16, 15576 (2026). https://doi.org/10.1038/s41598-026-47058-9

关键词: 膝关节MRI, 青少年滑雪损伤, 深度学习诊断, 运动医学影像, 韧带和软骨撕裂