基于ResNet深度网络模型的髋关节置换术后并发症分类研究

目的：分析基于ResNet迁移学习模型鉴别髋关节置换术后假体周围感染与松动的价值。方法：本研究的数据来源于2015年1月至2022年12月期间，在上海第六人民医院骨科接受全髋关节翻修手术的206例患者。这些患者因髋关节置换术后出现假体周围感染或假体松动的情况而接受了翻修手术，收集患者髋关节置换术后X线图像。使用迁移学习方法对髋关节假体周围感染和松动进行鉴别，分别建立ResNet18、ResNet50迁移学习模型，并使用SHAP方法对模型进行可视化分析。结果：通过对两种不同网络的模型进行迁移学习实验对比，得到了以下结果：基于ResNet18网络的迁移学习模型在鉴别髋关节置换术后假体周围感染与松动方面表现出显著优势，模型的准确率达到了91.30%，灵敏度为95.94%，特异度为87.50%，AUC为93.94%。这些指标表明了该模型在对这两种并发症进行区分时的准确性和可靠性。实验还进行了Delong检验，ResNet18网络模型与ResNet50模型之间的AUC差异具有统计学意义(p < 0.05)。结论：本文旨在建立迁移学习诊断模型，为早期临床髋关节置换术后假体周围感染与松动的诊断提供一种方法。

随着社会经济的快速发展和人口老龄化的加剧，关节置换术已成为各类终末期骨关节疾病的有效治疗手段，全髋关节置换术的应用越来越普遍[1] [2]。

髋关节置换术后假体周围感染和松动是人工关节置换术最主要的并发症，也是翻修手术最常见的病因。髋关节假体周围感染和松动早期症状相似，但处理方式截然不同，正确鉴别感染和无菌松动对持续的抗菌治疗和手术干预策略有重要影响，但早期区分两者十分困难[3] [4]。目前，如何早期及时、准确诊断假体周围感染仍是一个挑战，目前的诊断主要以影像学检查为主并辅以一系列临床和生化测试，但现阶段影像学检查及生化测试在早期鉴别方面的灵敏度和特异性较低[5] [6] [7]，尚无有效方法对髋关节置换术后假体周围感染与松动做出早期诊断。近年来，深度学习在医学图像领域中的应用取得了显著性进展，革新了医学影像分析和诊断的方式，提升了诊断质量和效率[8]。