基于冠状面数据采集的深度学习预测女性骨关节炎患者膝内翻力矩

《Journal of Biomechanics》:Deep learning prediction of the knee adduction moment in females with osteoarthritis based on frontal plane data collection

【字体: 大 中 小 】 时间:2026年10月22日 来源:Journal of Biomechanics 2.9

编辑推荐:

   摘要:膝内收力矩(KAM)对于内侧膝骨性关节炎(OA)的治疗具有重要意义;然而,步态实验室分析的高成本限制了其临床应用。本研究评估了利用受限的额面运动学表征来预测女性骨关节炎患者KAM第一峰值的可行性。我们探讨了膝内收角是否在解剖标志点轨迹之外提供了额外的预测信息。本研究使用

  

摘要:膝内收力矩(KAM)对于内侧膝骨性关节炎(OA)的治疗具有重要意义;然而,步态实验室分析的高成本限制了其临床应用。本研究评估了利用受限的额面运动学表征来预测女性骨关节炎患者KAM第一峰值的可行性。我们探讨了膝内收角是否在解剖标志点轨迹之外提供了额外的预测信息。本研究使用Visual3D软件进行KAM计算,并对32名骨关节炎女性在正常行走过程中进行了研究。每侧肢体的7个下肢解剖标志点的额面轨迹被用作预测变量,并分别结合与不结合膝内收角进行预测。我们提出了两条预测流程:一条是基于时间序列预测变量训练的全连接神经网络(FCNN),另一条是基于相同数据图像化表示训练的卷积神经网络(CNN)。模型开发包含29名参与者,并采用了参与者水平的重复交叉验证。另有3名参与者(6个肢体)作为独立测试集。对于第一条流程(FCNN),在排除膝内收角时的结果分别为()和(),加入膝内收角后的结果分别为()和();对于第二条流程(CNN),在排除膝内收角时的结果分别为()和(),加入膝内收角后的结果分别为()和()。使用相应3D输入进行的额外分析显示,在多重比较校正后,匹配的额面输入与3D输入配置之间的MAE无统计学显著差异。本研究证明,在额面标志点位置基础上加入膝内收角作为额外预测变量可以显著提升预测结果。这些发现为进一步研究基于视频提取运动学信息的无标记方法提供了动力。

引言:近几十年来,美国有症状的膝骨关节炎(OA)发病率显著上升(Deshpande等,2016)。膝OA是全球范围内致残的主要因素(Murray等,2012)。该疾病尤其影响老年人和女性(Hunter等,2020),近半数患者会出现OA症状的进展,在严重情况下,可能需要接受膝关节置换手术(Hunter等,2020)。内侧间室膝OA的病理性进展与多种风险因素的组合相关,如衰老、遗传、创伤、膝关节对线不良、肥胖,以及更具体地在行走等动态活动过程中膝关节累积的过度负荷(Brisson等,2021;Heidari,2011)。

内侧胫股接触力(MCF)代表了关节软骨所承受的实际内部物理负荷。然而,过度或异常分布的负荷可能超过组织承受能力,从而导致关节组织损伤和OA进展(Brisson等,2021;Kutzner等,2013)。内侧膝OA患者承受更大的内侧间室绝对负荷,同时表现出内外侧负荷分布不均,即相对更大比例的负荷由内侧间室承受(Kumar等,2013)。由于直接测量MCF需要侵入性的仪器化膝关节植入物(Mündermann等,2008),因此外部膝内收力矩(KAM)被用作MCF的常见替代指标(Kutzner等,2013;Liu等,2024)。生物力学研究表明,KAM与MCF之间的关系在早期支撑期尤为紧密(Kutzner等,2013)。因此,通常发生在此阶段的KAM第一峰值已作为OA严重程度的生物力学指标(Foroughi等,2009;Sharma等,1998;Thorp等,2006)和进展指标(Miyazaki等,2002)进行了研究。

进行KAM测量需要同步的运动捕捉和地面反力测量,以及专用设备、实验室空间、专业技术知识和后续生物力学数据处理。虽然步态评估可以纳入某些临床环境,但这些要求限制了基于实验室的KAM评估的常规可及性和可扩展性。因此,KAM并非常规临床步态评估中可获得的部分。

为减少传统标记点运动捕捉的局限性,无标记姿态估计已被提出作为人体运动分析的可及性替代方案(Li等,2025;Sethi等,2022;Kaya等,2025;Varcin和Boocock,2025)。先进的计算机视觉架构(如OpenPose(Cao等,2019)、HRNet(Ren等,2015;Zhang等,2020)、DeepLabCut(Mathis等,2018)和OpenCap(Uhlrich等,2023))使得能够从单视角或多视角2D视频记录(如智能手机拍摄的视频)中跟踪预定义或后定义的解剖标志点,并估计运动学测量数据(Cao等,2019;Uhlrich等,2023;Wang等,2025)。尽管光学无标记运动跟踪技术具有重大前景,但其临床应用必须克服与实验室设置相比在空间跟踪精度上的显著局限性(Kakavand等,2025)。基于标记点和无标记运动捕捉系统之间的同时一致性因任务、关节和运动平面不同而差异很大,报告差异范围为0.2至28.6,相关系数从可忽略不计到非常强不等(Yoma等,2025)。在行走过程中,额面膝运动学均方根误差的报告显示差异范围为0.3至3.5,低于矢状面和横断面报告的相应差异(Yoma等,2025)。需要认识到的是,在跟踪患者预后时,临床生物力学无法轻易以精度换取简便性,因为即使是实验室设置也存在固有的跟踪误差,如软组织伪影和刚体建模假设(Falisse等,2025;Varcin和Boocock,2025)。然而,机器学习和人工智能可能提供一种从更易于获取的运动数据中提取有意义的生物力学信息的方法,以弥合精度与可及性之间的差距。

使用学习方法来预测膝关节力矩和膝关节角度的尝试主要依赖于在临床环境中难以实施的输入,如肌电图信号(Ardestani等,2014)或可穿戴传感器(Ajdaroski等,2024;Casey等,2025;Saad Saoud等,2023)等专用设备和仪器化鞋垫(Snyder等,2023;Scherpereel等,2024)。虽然基于这些输入的模型可以估计关节动力学,但依赖复杂可穿戴设备的配置限制了其临床可扩展性。大多数其他研究使用运动捕捉设置中获得的下肢运动学或力数据来预测关节负荷。Moura等(2024)专注于使用三个输入数据集,包括主要运动学和动力学数据、髋关节和膝关节力矩以及肌肉力,来预测MCF的第一和第二峰值。Liew等(2021)研究了三种不同的机器学习技术,包括函数回归、深度神经网络(DNN)和迁移学习(TL),以预测健康人在跑步过程中的下肢关节力矩(包括KAM)。Boswell及其同事(Boswell等,2021)证明,2D额面解剖标志点轨迹可以产生与使用完整3D坐标相当的KAM第一峰值预测结果。

以往的研究已确定膝内收角是KAM第一峰值的重要生物力学决定因素(Schmitz和Noehren,2014)。其他机器学习研究将下肢运动学变量,包括关节角、角速度和角加速度,纳入膝力矩的预测,但通常依赖于完整的3D运动数据或可穿戴传感器(Liew等,2021)。然而,当KAM从受限的额面标志点轨迹集合进行预测时,膝内收角是否提供额外的预测信息尚未确立。因此,我们设计了一项消融研究,以评估在此受限表征中膝内收角的额外预测贡献。我们重点关注额面,因为它与内侧膝OA相关的主要运动学偏差特别相关(Mündermann等,2005)。此外,Boswell等(2021)证明额面标志点信息可以为KAM提供大量预测信息,支持使用简化的额面表征。所选的解剖标志点和膝内收角代表原则上可以通过单视角正面录制使用无标记姿态估计获取的运动学信息。因此,这一表征在额面信息的已建立预测价值与更易获取的单视角测量方法之间提供了一个潜在的桥梁。

此外,我们比较了两条使用相同额面预测变量的预测流程,以考察数据表征对预测性能的影响。第一条流程使用全连接神经网络(FCNN)直接基于每条腿的额面标志点轨迹进行训练。第二条流程将相同的时间序列预测变量转换为图像化表示,用于卷积神经网络(CNN)学习。两条流程均在结合与不结合膝内收角的情况下进行了评估。这一设计使我们能够评估数据表征的影响以及膝内收角的额外预测贡献。我们的目标不是验证一个完整的无标记步态分析流程。相反,我们调查了在基于单视角录制潜在获取的信息框架下,膝内收角是否能改善KAM第一峰值的预测。

数据采集片段:32名被诊断为内侧膝OA的女性个体在本研究中参与了研究,研究地点为设拉子医科大学运动分析实验室。本研究获得了大学伦理委员会的伦理审批,所有参与者在数据收集前均提供了书面知情同意。本研究遵循了《性别与性别公平研究》(SAGER)指南(Heidari等,2016)。仅纳入女性参与者以建立更具同质性的研究样本。

结果:表2总结了FCNN和CNN模型在使用额面和3D输入表征、结合与不结合膝内收角(分别为Input-A和Input-B)情况下的预测性能。图2和图3分别展示了使用额面输入的FCNN和CNN模型的预测KAM值与真实KAM值的比较。图4和图5展示了使用3D输入的FCNN和CNN模型的相应结果。表3总结了八组配对比较。

讨论:本研究的主要发现是,在额面解剖标志点轨迹基础上加入膝内收角可以改善KAM第一峰值的预测。这一效应在两种模型架构中均有所观察,经Bonferroni校正后,加入膝内收角后FCNN()和CNN()的MAE均显著降低。最佳整体性能是使用含膝内收角的额面FCNN模型获得的,该模型实现了()、()和()。

结论:总之,所提出的模型成功地使用每侧肢体的7个额面下肢标志点位置,结合与不结合膝内收角作为额外预测变量,预测了KAM的第一峰值。加入膝内收角显著改善了FCNN和CNN两种架构的预测性能,证明膝内收角在所选额面标志点轨迹之外提供了额外的预测信息。两种……

作者贡献声明(CRediT):Yasaman Rajaeefard:写作–审阅与编辑、写作–初稿、可视化、验证、软件、方法论、调查研究、形式化分析。Seyyed Arash Haghpanah:监督、概念化。Mohammand Taghi Karimi:监督、数据管理。

伦理声明:作者声明,所描述的工作已按照2013年修订的世界医学协会《赫尔辛基宣言》以及涉及人类的实验的欧盟指令2010/63/EU进行。

利益冲突声明:作者声明他们没有任何已知的竞争性经济利益或个人关系,这些利益或关系可能会影响本论文中报告的工作。

致谢:作者未获得与本研究、写作或发表相关的财政支持。作者衷心感谢所有参与者的时间、精力以及对本研究的宝贵贡献。

Yasaman Rajaeefard | Seyyed Arash Haghpanah | Mohammand Taghi Karimi
相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号