【摘要】隨著人工智能（AI）的發(fā)展，骨科手術機器人與AI的結合已是目前的研究熱點。機器學習與深度學習是AI的重要研究方向，并成功應用于計算機視覺、自然語言處理等領域。傳統(tǒng)的骨科手術機器人已實現(xiàn)部分手術的臨床應用，但臨床手術的精密性、安全性、微創(chuàng)化與智能化等問題均未完全解決。AI作為新興技術，將為推動當前骨科手術機器人的不斷革新提供強大支持。本文概述了骨科機器人的應用現(xiàn)狀，闡述了AI在關節(jié)骨科手術機器人、脊柱外科手術機器人與創(chuàng)傷骨科手術機器人的應用情況，并根據(jù)AI的發(fā)展趨勢展望了骨科機器人的未來發(fā)展方向。
1956年，“人工智能（artificial intelligence, AI）”術語由約翰·麥卡錫（John McCarthy）首次提出[1]，這標志著AI學科的誕生。21世紀初，隨著計算機圖形處理單元（graphic processing unit, GPU）的普及與數(shù)據(jù) 儲存容量的無限擴展，AI 得以前所未有的快速發(fā) 展[2]。到目前為止，AI作為計算機學科的一個分支，是 一門涉及信息學、邏輯學、認知學、心理學、腦科學、生 物學等多學科交叉的綜合型技術學科。隨著機器學 習與深度學習的發(fā)展，AI技術已廣泛應用于教育、工 業(yè)、商業(yè)、醫(yī)療等領域，為人類帶來了巨大的經(jīng)濟效益和社會效益，極大促進了社會的發(fā)展，有效提高了人們的生活水平與生活質量。機器學習與深度學習作 為AI的重要研究方向，在醫(yī)療領域得以廣泛應用，促 進了疾病的智能診斷、治療與預后[3,4]。骨科手術是典型的硬組織操作手術，術式復雜多樣，手術風險大，對醫(yī)師臨床經(jīng)驗要求高，在傳統(tǒng)手術條件下具有創(chuàng)傷大、輻射量高、手術時間長及術后恢 復慢等問題[5]。隨著導航技術與機器人技術的不斷創(chuàng) 新與發(fā)展，骨科手術機器人成為推進精準、微創(chuàng)骨科治療的核心設備與技術，并已逐步應用于臨床。骨科手術機器人與AI結合，使微創(chuàng)化、智能安全化、精準化 與個性化疾病治療成為可能，有效彌補了傳統(tǒng)骨科手 術的不足。骨科手術機器人根據(jù)機器人與醫(yī)師之間的關系及自動化程度可分為主動型、半主動型與被動型；根據(jù)現(xiàn)有骨科手術類別可分為關節(jié)骨科手術機器 人、脊柱外科手術機器人與創(chuàng)傷骨科手術機器人等[6]。
本文概述了當前骨科手術機器人的應用現(xiàn)狀，并詳細闡述了AI在關節(jié)骨科手術機器人、脊柱外科 手術機器人與創(chuàng)傷骨科手術機器人的應用情況，總 結了當前骨科手術機器人的不足與發(fā)展趨勢，有助 于相關研究者對當前骨科手術機器人的全面認識與深入了解，進而對未來的發(fā)展有更清晰的認識。
1 AI在骨科手術機器人中的應用
設置（Set-up）、注冊（Registration）、規(guī)劃（Plan-ning）與執(zhí)行（Execution）是骨科手術機器人系統(tǒng)遵 循的四個環(huán)節(jié)。如果存在先驗圖像，操作流程為規(guī) 劃、設置、注冊、執(zhí)行；反之為設置、注冊、規(guī)劃、執(zhí)行 （圖 1）[7]。AI 的機器學習或深度學習算法在醫(yī)學成 像分析方面應用廣泛[8]。但在骨科手術中應用的文 獻尚少[9]，以基于醫(yī)學成像的術前診斷與規(guī)劃為主， 探討如何借助AI有效提高手術的準確率，避免人為錯誤。
1.1 AI在關節(jié)骨科手術機器人中的應用
關節(jié)骨科手術機器人主要應用于全髖關節(jié)置換術（total hip arthroplasty, THA）、全關節(jié)置換術（to tal knee arthroplasty, TKA與單髁關節(jié)置換術（unicompartmental knee arthroplasty, UKA）[10]，旨在實現(xiàn) 治療精準化，提高假體存活率，降低植入物翻修率， 改善臨床療效[11]。1992 年研發(fā)的 ROBODOC 作為 全球首款骨科手術機器人，應用于THA[12]。此后，隨著科學技術的發(fā)展，多款THA手術機器人可供術者選擇，如 CASPAR、ACROBOT 與 MAKO 機器人系 統(tǒng)；同時骨科手術機器人也逐步應用到 TKA，除 ROBODOC與MAKO機器人系統(tǒng)外，還有iBlock（原 Praxiteles）、Navio FPS與Rosa Knee機器人系統(tǒng)[13]。
1.1.1 THA術前規(guī)劃
THA 是治療髖關節(jié)終末期疾病的最有效術式， 也是醫(yī)學中最成功的手術之一[14]。通過關節(jié)骨科手 術機器人治療可提高手術的精確度，進而提高手術成功率、減少手術創(chuàng)傷、降低并發(fā)癥發(fā)生率、增加患者滿意度，這些成效均得力于關節(jié)骨科手術機器人 的術前規(guī)劃[15]。
髖關節(jié)疾病的CT圖像具有明顯特征，通過深度學習算法可以實現(xiàn)快速、準確的特征提取，并完成關 節(jié)的智能分割，從而促進解剖位點的高精度識別與所需假體大小及型號的精準匹配，以達到高效而準確的術前規(guī)劃。中國人民解放軍總醫(yī)院第一醫(yī)學中心骨科首次將基于 AI 深度學習研發(fā)的一套 AI 輔助THA三維規(guī)劃系統(tǒng)AIHIP應用于THA術前規(guī)劃。該系統(tǒng)具有較高的準確性及可重復性，關鍵技術在于基于深度學習神經(jīng)網(wǎng)絡模型實現(xiàn)關節(jié)的精確分割：首先，建立各類髖關節(jié)疾病的CT圖像數(shù)據(jù)庫；其次，自主研發(fā)了深度學習神經(jīng)網(wǎng)絡模型；最后，基于數(shù)據(jù)庫分別訓練得到不同病種的分割神經(jīng)網(wǎng)絡模型權重，以實現(xiàn)不同類型疾病關節(jié)的分割。此外，臼杯位 置及尺寸也是通過深度學習神經(jīng)網(wǎng)絡自動識別。臨床驗證結果表明，AIHIP系統(tǒng)有效預測了實際所需假體型號，術前計劃與實際應用的假體匹配率均顯著 高于傳統(tǒng)測量方法[16]。
1.1.2 TKA和UKA的AI輔助與術前規(guī)劃
TKA 和 UKA 是治療膝關節(jié)炎的最有效手段。與傳統(tǒng)TKA相比，機器人輔助TKA能提高假體植入 物的精確度，減少軟組織損傷，降低術后疼痛感與全身并發(fā)癥發(fā)生率，從而增加患者滿意度；機器人輔助UKA具有更低的并發(fā)癥發(fā)生率，更快的術后恢復速度與更自然真實地感知膝關節(jié)。但在假體長期存活 率方面，機器人輔助的TKA和UKA與傳統(tǒng)術式之間均未發(fā)現(xiàn)統(tǒng)計學差異[13,17,18]。隨著AI的發(fā)展，深度學 習技術將繼續(xù)為關節(jié)骨科手術機器人賦能。
AI在TKA和UKA術前規(guī)劃中的應用與THA相同，中國人民解放軍總醫(yī)院第一醫(yī)學中心骨科于 2020年首次將AIHIP系統(tǒng)應用于TKA的術前規(guī)劃。該系統(tǒng)通過AI在3 min內完成術前規(guī)劃，使用像素級的深度學習分割網(wǎng)絡，基于循環(huán)神經(jīng)網(wǎng)絡的邊緣平滑技術對骨塊進行精準分割，運用注意力機制（Attention Mechanism）的神經(jīng)網(wǎng)絡實現(xiàn)骨骼關鍵解剖點位的精確識別，識別精度接近毫米級且具有較高的魯棒性[19]。Kordon等[20] 提出了一個基于深度學習的多任務堆疊沙漏網(wǎng)絡（Stacked Hourglass Network）框架，旨在解決膝關節(jié)手術前醫(yī)師手動規(guī)劃的不一致性與任務的復雜性問題。該框架實現(xiàn)了股骨、髕骨、脛骨與腓骨的語義分割，且平均交并比（intersection over union, IOU）分別達到0.99、0.97、0.98與0.96的分割效果，股骨鉆孔部位的中位定位誤差為1.5 mm。在無需手動校準的情況下，該框架可達到專家級精度的自動術前規(guī)劃。在膝關節(jié)翻修手術的術前規(guī)劃中，高達10%的假體植入物未能被識別，為解決該問題，Paul 等[21] 基于深度卷積神經(jīng)網(wǎng)絡（deep convolutional neural network, DCNN）提出一個深度學習系統(tǒng)（deep learning system, DLS）。DLS 能自動識別是否存在TKA，其次對TKA與UKA進行分類，最后自動識別TKA的兩種植入物模型。
TKA術中假體植入物的正確定位與多個變量密 切相關，而這些變量可通過術中的骨科手術機器人導航系統(tǒng)進行控制。目前的導航系統(tǒng)需要額外的骨切口以固定導航系統(tǒng)跟蹤的標記，給患者帶來了額外創(chuàng)傷，同時也會干擾到標準的手術流程。為此，F(xiàn)élix 等[22]和 Rodrigues 等[23] 提出了一種無標記的導航系統(tǒng)，該系統(tǒng)使用深度相機替代了原導航系統(tǒng)中的光電跟蹤系統(tǒng)，基于深度學習與幾何算法實現(xiàn)骨骼表面的精準分割，在無跟蹤標記的情況下實現(xiàn)植入物的精準定位。Liu和Baena[24] 首次提出了一種在機器人系統(tǒng)輔助骨科手術中實現(xiàn)基于深度成像和深度學習的自動、無標記配準與跟蹤方法，該方法消除了機器人導航系統(tǒng)所需額外標記，從而避免對患者造成額外創(chuàng)傷。
1.2 AI在脊柱外科手術機器人中的應用
目前，脊柱外科手術機器人主要應用在脊柱椎弓根螺釘?shù)闹踩?，主要治療脊柱畸形、椎間盤退行性病變、脊柱腫瘤等。與傳統(tǒng)的徒手技術相比，有研究表明機器人系統(tǒng)可提高螺釘放置的準確性與可重復的一致性、最大限度降低翻修率、減少術中輻射暴露，手術時間更短[25-28]；而較早的一些研究表明兩者放置螺釘?shù)木认嗤?，甚至機器人輔助的置釘精度更差[29,30]。最近的一項隨機對照試驗的系統(tǒng)評價和薈萃分析中，相比于傳統(tǒng)的徒手技術，TiRobot、Spine Assist和Renaissance機器人系統(tǒng)分別得到更好、更差和相似的椎弓根螺釘放置精度[31]。目前，國外主流的脊柱機器人系統(tǒng)為SpineAssist、Renaissance、Mazor X 與ROSA，國內主要為北京積水潭醫(yī)院及天智航公司聯(lián)合開發(fā)的天璣脊柱外科手術機器人。目前，臨床上的脊柱外科手術機器人系統(tǒng)還沒有真正意義上采 用機器學習與深度學習技術，但基于機器學習與深度學習的術前規(guī)劃與診斷、術中監(jiān)測已取得一定的進展。
頸椎之間的高度相似性可能會干擾手術機器人的自動規(guī)劃，為提高頸椎病治療的自動化水平，Zhang和Wang[32] 提出了一種基于Pointnet++[33] 神經(jīng)網(wǎng)絡結構的頸椎分割方法。該方法對分割頸椎圖像具有更好的魯棒性，可以有效分割三維椎體，并使用300例患者的 CT圖像對分割模型進行訓練與測試，分割精度最高可達 96.15%。針對成人脊柱畸形（adult spinal deformity, ASD），Lafage等[34] 提出一種深度學習模型，旨在模擬不同醫(yī)師下端固定椎（upper instrumented vertebra, UIV）的位置規(guī)劃，保證UIV位置選擇的一致性。機器學習為脊髓型頸椎?。╟ervical spondylotic myelopathy, CSM）的預測、診斷和預后提供了有效的方法。Hopkins等[35] 提出了兩種不同神經(jīng)網(wǎng)絡模型，兩個模型分別實現(xiàn) CSM 的診斷與 CSM嚴重程度的預測，實驗結果證明了機器學習在脊柱疾病方面的診斷與預測的可行性。隨著內窺鏡治療的快速發(fā)展，內窺鏡將成為所有脊柱疾病治療可行術式的選擇[36]。Cho等[37] 對機器人內窺鏡術式的智能視覺進行初步研究，提出將機器人技術與深度學習應用于內窺鏡手術，并基于RetinaNet[38]和YOLOv2[39]目標檢測算法實現(xiàn)內窺鏡術中儀器尖端的自動檢測。
1.3 AI在創(chuàng)傷骨科手術機器人中的應用
創(chuàng)傷骨科手術機器人主要應用于骨折復位術與骨折固定術，而骨折復位治療是骨折定位的先前步 驟。機器人輔助骨折定位主要實現(xiàn)定位功能，與輔助關節(jié)置換、脊柱椎弓根螺釘置入的機器人類似[5]。機器人輔助骨折復位旨在實現(xiàn)操作空間大、操作簡單、二次創(chuàng)傷小、精準度高及安全性高的解剖復位。目前已有的代表性創(chuàng)傷骨科手術機器人包括德國漢諾威大學研制的骨折復位機器人系統(tǒng)、日本東京大學研制的骨折復位機器人系統(tǒng)、哈爾濱工業(yè)大學研制的骨干骨折復位6-PTRT型并聯(lián)機器人系統(tǒng)、北京航空航天大學研制的股骨干骨折復位雙平面導航機器人系統(tǒng)與中國人民解放軍總醫(yī)院研制的長骨骨折復位機器人系統(tǒng)[6]。與關節(jié)骨科手術機器人和脊柱外科手術機器人相比，創(chuàng)傷骨科手術機器人相對發(fā)展緩慢，其次骨折手術類型多樣，手術要求復雜，現(xiàn)有的創(chuàng)傷骨科手術機器人均未實現(xiàn)真正意義上的臨床應用[40]。盡管目前的創(chuàng)傷骨科手術機器人技術離臨床應用的要求還有很長的一段距離，但AI技術應用于創(chuàng)傷骨科的研究已開展，為今后實現(xiàn)精準化、智能化、個性化的機器人輔助手術打下基礎。
基于最優(yōu)分類樹的機器學習方法，Bertsimas等[41] 構建了一個臨床決策模型以預測兒科頸椎損傷（cer vical spine injuries, CSI）。該模型在既有數(shù)據(jù)集上的敏感性為93.3%，特異性為82.3%，相比于其他機器學習方法與現(xiàn)有臨床決策規(guī)則具有較好的性能與更大的臨床應用潛力。骨質疏松性椎體骨折（osteoporotic vertebral fracture, OVF）的準確診斷有利于改善臨床療效。Yabu等[42] 通過9種卷積神經(jīng)網(wǎng)絡的組合模型來檢測新鮮的OVF，最后得到最優(yōu)模 型組合 （VGG16、VGG19、DenseNet201 和 ResNet50）的受試者操作特征（receiver operating characteristi, ROC）曲線下面積（area under curve, AUC）為0.949，研究結果表明基于卷積神經(jīng)網(wǎng)絡的診斷模型與脊柱外科醫(yī)師的性能相當。
2 AI在骨科機器人中的展望
AI在醫(yī)療上的應用主要體現(xiàn)在基于傳統(tǒng)機器學習或深度學習的疾病智能診斷、治療與預后，而在骨科手術機器人中的應用較少。目前，AI主要應用于骨科手術機器人的規(guī)劃環(huán)節(jié)，與執(zhí)行環(huán)節(jié)導航技術相關文獻較少[22-24]。AIHIP系統(tǒng)是唯一真正意義上實現(xiàn)AI用于臨床的骨科手術機器人。此外，關節(jié)骨科手術機器人與脊柱外科手術機器人已實現(xiàn)臨床應用，創(chuàng)傷骨科手術機器人至今未達到臨床應用的要求。綜上，骨科手術機器人特別是創(chuàng)傷骨科手術機器人與AI的結合依然存在很大的發(fā)展空間。
AI與機器人技術的結合是發(fā)展的必然趨勢。當前骨科手術機器人的臨床應用尚未普及，一些術式的骨科機器人達不到應用要求，而AI將推進骨科手術機器人的發(fā)展，加快臨床應用的腳步。目前，臨床應用的骨科手術機器人系統(tǒng)普遍存在如下四個問題：
①術前規(guī)劃主要依賴醫(yī)師的經(jīng)驗，一致性不能保證，自動化程度較低，雖然AIHIP系統(tǒng)實現(xiàn)臨床自動化，但規(guī)劃符合率與效率依然有較大的提升空間；
②術中注冊（匹配）與導航主要依賴機器人操作空間內的標記物（例如天璣脊柱機器人的示蹤器），而標記物通用性較差，甚至給患者造成額外創(chuàng)傷；
③室內術中導航未能系統(tǒng)性補償機器人系統(tǒng)自身誤差、患者身體微動誤差帶來的影響；④人機交互（醫(yī)師與機器人、患者與機器人）單一，缺乏智能化與高效性。
深度學習是AI的一大分支，近年來取得了顯著性突破，并成功應用于計算機視覺、自然語言處理等領域，甚至在圖像 分類、語音識別等任務中超越了人類，大量研究也證明深度學習方法在諸多領域實現(xiàn) AI 的有效性。未來，深度學習技術將繼續(xù)應用于骨科手術機器人系統(tǒng)中，在解決上述問題上具有巨大的潛力。
3 小結
AI 迅速發(fā)展并成功應用于諸多領域，但在骨科手術機器人中的應用研究還處于起步階段。未來，在加快骨科手術機器人的臨床應用與推動微創(chuàng)化、智能安全化、精準化及個性化骨科疾病治療的發(fā)展上，AI技術將成為很強勁的助推器。
【基金項目】北京市自然科學基金（L192061）
【作者單位】
1.北京科技大學自動化學院控制科學與工程系，北京100083；
2.中國醫(yī)學科學院 北京協(xié)和醫(yī)院 北京協(xié)和醫(yī)院骨科，北京 100730
【作者簡介】高宇，在讀博士生，研究方向：醫(yī)學影像處理
【通信作者】
翟吉良：骨科博士，副教授，研究方向：脊柱外科
丁大偉：工學博士，教授/博士生導師，研究方向
趙宇：骨科博士，主任醫(yī)師，研究方向：脊柱外科
參考文獻
[1] Viktor D. Encyclopedia of Creativity[M]. 3rd ed. Oxford: Academic Press, 2020: 57-64.
[2] Zhang C, Lu Y. Study on artificial intelligence: the state of the art and future prospects[J]. J Ind Inf Integr,2021, 23: 100224.
[3] Castiglioni I, Rundo L, Codari M, et al. AI applications to medical images: from machine learning to deep learning[J]. Phy Med, 2021, 83: 9-24.
[4] Kaul V, Enslin S, Gross SA. History of artificial intelligence in medicine[J]. Gastroint endosc 2020, 92(4): 807- 812.
[5] 李川, 阮默, 蘇踴躍, 等. 手術機器人在骨科領域中的應用及發(fā)展[J]. 中華創(chuàng)傷骨科雜志, 2021, 23(3): 272-276.
[6] 于洪健, 李乾, 杜志江. 骨科手術機器人技術發(fā)展綜述[J]. 機器人技術與應用, 2020, 2: 19-23.
[7]Picard F, Deakin AH, Riches PE, et al. Computer assisted orthopaedic surgery: Past, present and future[J]. Med Eng Phys, 2019, 72: 55-65.
[8] Liu R, Rong Y, Peng Z. A review of medical artificial intelligence[J]. Global Health J, 2020, 4(2): 42-45.
[9] Longo UG, Salvatore SD, Candela V, et al. Augmented reality, virtual reality and artificial intelligence in orthopedic surgery: a systematic review[J]. Appl Sci, 2021, 11(7): 3253.
[10] Volpin A, Maden C, Konan S. Handbook of robotic and image-guided surgery[M]. London: Elsevier, 2020: 397-410.
[11] Sousa PL, Sculco PK, Mayman DJ, et al. Robots in the operating room during hip and knee arthroplasty[J]. Curr Rev Musculoskeletal Med, 2020, 13(3): 309-317.
[12] Kayani B, Babar S, Ayuob A, et al. The current role of robotics in total hip arthroplasty[J]. EFORT Open Rev, 2019, 4(11): 618-625.
[13] Pailhé R. Total knee arthroplasty: Latest robotics implantation techniques[J]. Orthop Traumatol Surg Res, 2020, 107 (1S): 102780.
[14] Bostian PA, Grisez BT, Klein AE, et al. Complex primary total hip arthroplasty: small stems for big challenges[J]. Arthroplasty Today, 2021, 8: 150-156.
[15] 孫瑩, 葛蕊, 侯艷, 等. Mako機器人手術系統(tǒng)輔助下全髖關節(jié)置換術手術配合[J]. 機器人外科學雜志, 2020, 1(4): 56-61.
[16] 吳東, 劉星宇, 張逸凌, 等. 人工智能輔助全髖關節(jié)置換術三維規(guī)劃系統(tǒng)的研發(fā)及臨床應用研究[J]. 中國修復重建外科雜志, 2020, 34(9): 1077-1084.
[17] Ofa SA, Ross BJ, Flick TR, et al. Robotic total knee arthroplasty vs conventional total knee arthroplasty: a nationwide database study[J].Arthroplasty Today, 2020, 6(4): 1001-1008.
[18] Christ AB, Pearle AD, Mayman DJ, et al. Robotic-assisted unicompartmental knee arthroplasty: state-of-the art and review of the literature[J]. J Arthroplasty, 2018, 33(7): 1994- 2001.
[19] 吳東, 劉星宇, 郭人文, 等. 一例人工智能三維規(guī)劃系統(tǒng)輔助全膝關節(jié)置換術[J]. 骨科, 2021, 12(3): 281-283.
[20] Kordon F, Fischer P, Privalov M, et al. InInternational Conference on Medical Image Computing and Computer-- Assisted Intervention-MICCAI 2019[M]. New York: Springer, 2019: 622-630.
[21] Paul HY, Wei J, Kim TK, et al. Automated detection & classification of knee arthroplasty using deep learning[J]. Knee, 2020, 27(2): 535-542.
[22] Félix I, Raposo C, Antunes M, et al. Towards markerless computer- aided surgery combining deep segmentation and geometric pose estimation: application in total knee arthroplasty[J]. Comput Methods Biomech Biomed Eng Imaging Vis, 2021, 9(3): 271-278.
[23] Rodrigues P, Antunes M, Raposo C, et al. Deep segmentation leverages geometric pose estimation in computer‐aided total knee arthroplasty[J]. Healthc Technol Lett, 2019, 6(6): 226-230.
[24] Liu H, Baena FR. Automatic markerless registration and tracking of the bone for computer-assisted orthopaedic surgery[J]. IEEE Access, 2020, 28(8): 42010-42020.
[25] Lee NJ, Boddapati V, Mathew J, et al. Does robot-assisted spine surgery for multi- level lumbar fusion achieve better patient-reported outcomes than free-hand techniques?[J]. Interdisciplinary Neurosurgery, 2021, 25: 101214.
[26] Daniel MM, Alison MW, Christen MO, et al. Robotics in spine surgery: a systematic review[J]. J Clin Neurosci, 2021, 89: 1-7.
[27] Bhavuk G, Nishank M, Rajesh M. Robotic spine surgery: ushering in a new era[J]. J Clin Orthop Trauma, 2020, 11 (5): 753-760.
[28] Fatima N, Massaad E, Hadzipasic M, et al. Safety and accuracy of robot- assisted placement of pedicle screws compared to conventional free-hand technique: a systematic review and meta-analysis[J]. Spine J, 2021, 21(2): 181-192.
[29] Yu L, Chen X, Margalit A, et al. Robot‐assisted vs freehand pedicle screw fixation in spine surgery-- a systematic review and a meta ‐ analysis of comparative studies[J]. Int J Med Robot, 2018, 14(3): e1892.
[30] Gao S, Lv Z, Fang H. Robot-assisted and conventional freehand pedicle screw placement: a systematic review and meta- analysis of randomized controlled trials[J]. Eur Spine J, 2018, 27(4): 921-930.
[31] Peng YN, Tsai LC, Hsu HC, et al. Accuracy of robot-assist ed versus conventional freehand pedicle screw placement in spine surgery: a systematic review and meta-analysis of randomized controlled trials[J]. Ann Transl Med, 2020, 8 (13): 824.
[32] Zhang L, Wang H. A novel segmentation method for cervi-cal vertebrae based on PointNet++ and converge segmentation[J]. Comput Methods Programs in Biomed, 2021, 200: 105798.
[33] 李海生, 武玉娟, 鄭艷萍, 等. 基于深度學習的三維數(shù)據(jù)分析理解方法研究綜述[J]. 計算機學報, 2020, 43(1): 41-63.
[34] Lafage R, Ang B, Alshabab BS, et al. Predictive model for selection of upper treated vertebra using a machine learning approach[J]. World Neurosurg, 2021, 146: e225-e232.
[35] Hopkins BS, Weber KA, Kesavabhotla K, et el. Machine learning for the prediction of cervical spondylotic myelopathy: a post hoc pilot study of 28 participants[J]. World Neu rosurg, 2019, 127: e436-e442.
[36] Kim M, Kim HS, Oh SW, et al. Evolution of spinal endoscopic surgery[J]. Neurospine, 2019, 16(1): 6-14.
[37] Cho SM, Kim YG, Jeong J, et al. Automatic tip detection of surgical instruments in biportal endoscopic spine surgery [J]. Comput Biol Med, 2021, 133: 104384.
[38] Lin TY, Goyal P, Girshick R, et al. Focal loss for dense object detection[J]. IEEE Trans Pattern Anal Mach Intell, 2017, 42(2): 318-327.
[39] 趙永強, 饒元, 董世鵬, 等. 深度學習目標檢測方法綜述[J]. 中國圖象圖形學報, 2020, 25(4): 629-654.
[40] Bai L, Yang J, Chen X, et al. Medical robotics in bone fracture reduction surgery: a review[J].Sensors(Basel), 2019, 19(16): 3593.
[41] Bertsimas D, Masiakos PT, Mylonas KS, et al. Prediction of cervical spine injury in young pediatric patients: an optimal trees artificial intelligence approach[J]. J Pediatr Surg, 2019, 54(11): 2353-2357.
[42] Yabu A, Hoshino M, Tabuchi H, et al. Using artificial intelligence to diagnose fresh osteoporotic vertebral fractures on magnetic resonance images[J]. Spine J, 2021, 21(10): 1652- 1658.
智慧醫(yī)療網(wǎng) ? 2022 版權所有 ICP備案號：滬ICP備17004559號-5
