用于利用有限元模型生成的关节邻近图对腕关节韧带损伤进行分类的人工智能模型

背景/目的：腕关节韧带损伤的诊断具有挑战性；早期发现和治疗对于防止骨关节炎进展至关重要。骨间邻近图作为关节间隙的替代指标，可由体积成像数据生成，并可能为腕关节健康提供重要信息。人工智能（AI）有望提升基于影像衍生指标的无创诊断准确性。本研究展示了利用由有限元模型（FEM）生成的合成邻近图数据进行AI训练的可行性。方法：基于四维计算机断层扫描获得的解剖和运动学数据，为两名无症状受试者构建了个体化腕关节FEM。通过蒙特卡罗抽样改变22项韧带材料属性，模拟7,500种独特损伤情景，生成了9,000,000张来自FEM运动的骨间邻近矢量场红、绿、蓝（RGB）标注图像。这些图像与17项描述性指标相关联，包括整体腕关节角度和骨表面配对，并用于开发混合输入卷积神经网络（CNN）。模型性能通过识别特定韧带损伤进行评估。结果：在所有损伤类型和运动学条件下，CNN的受试者工作特征曲线下面积（AUROC）平均为0.757。在具有临床相关功能角度的子集中，平均AUROC为0.824。表现最佳的单个韧带AUROC范围为0.807至0.999。在特定腕关节角度和骨表面配对条件下，部分韧带损伤模拟的敏感性和特异性均超过0.99。结论：本研究证明了利用FEM合成数据训练AI模型以分类腕关节韧带损伤的可行性。基于邻近性的RGB图像可能是韧带损伤的相关生物标志物。

该网站正在使用安全服务来抵御在线攻击。您刚才执行的操作触发了安全防护机制。某些操作可能会导致此拦截，例如提交了特定的词语或短语、SQL 命令，或者格式错误的数据。

您可以发送电子邮件给网站所有者，告知他们您已被拦截。请附上页面出现时您正在执行的操作，以及本页底部显示的 Cloudflare Ray ID。

📄 原文链接：https://www.biorxiv.org/content/10.64898/2026.06.17.733030v1?rss=1

🏷️ 腕关节韧带损伤 有限元模型 人工智能分类 邻近图像 卷积神经网络