本回顾性研究由台北退伍军人总医院机构评审委员会(2018-11-005CC)批准。

800例ACL撕裂(n=1205)和完整ACL (n=1018)的矢状面MR图像和200例完整膝关节MR图像(100例ACL撕裂和100例完整ACL;提取2013年1月至2017年12月期间接受膝关节MRI检查的患者撕裂和完整前交叉韧带图像，n=335,742)，用于训练目的(训练集)。200例独立病例的完整MR图像(100例ACL撕裂，100例ACL完好;N =34,914)用于测试目的(测试集)。这些患者的平均年龄为28.1岁，66.4%(664/1000)为男性。患者人群与之前关于前交叉韧带撕裂发生率较高的组的报道相似[ 10］．我们相信这些模型在大多数患者群体中具有常规应用。

膝关节MR图像排除了患有以下膝关节疾病的患者:膝关节周围肿瘤、既往膝关节手术、多发性韧带损伤、骨关节炎(Kellgren-Lawrence分级2至4级)和既往膝关节周围骨折。在我们医院或其他医院对膝关节进行MRI检查，然后上传到我们的系统进行第二意见。我们医院有6台不同的MRI扫描仪用于进行膝关节检查，我们没有限制获取图像的扫描仪。此外，我们没有在上传的图像中识别出扫描仪。本数据库中acl撕裂核磁共振76.8%(384/500)来自我院，23.2%(116/500)来自外院;完整acl mri 84.6%(423/500)来自本院，15.4%(77/500)来自外院。因此，本研究中使用的图像并不局限于一家医院或特定的MRI扫描仪。

2名骨科医生和1名肌肉骨骼放射科医生独立制定了acl撕裂或完整病例的判断，他们审查了MR图像并正式发布了报告。此外，前交叉韧带撕裂的病例也是通过关节镜检查确认的，所有前交叉韧带撕裂的患者都接受了关节镜下的前交叉韧带重建手术。3位医生对矢状撕裂前交叉韧带( 图1)和完整acl ( 图2)图像。

第一个模型是为那些没有接受过阅读膝关节MR图像训练但想知道ACL是否撕裂的临床医生设计的。为此，我们首先训练了一个CNN模型，从完整的膝盖MR图像中区分撕裂的acl、完整的acl和其他图像。将800例撕裂和完整的前交叉韧带矢状面MR图像和200张完整的膝关节MR图像(撕裂和完整的前交叉韧带图像被提取)作为其他图像来训练和验证模型( 表1)．包含完整acl图像或同时包含完整acl图像和撕裂acl图像的病例视为完整acl病例，仅包含撕裂acl图像的病例视为撕裂病例。这与一些读者经常使用的策略相似;如果在完整的MR图像中可以识别出完整的ACL图像，则可能表明ACL撕裂的可能性较小。相反，如果在检查患者的膝关节MRI时无法发现完整的前交叉韧带，则表明前交叉韧带撕裂。

由于第一个模型没有提供识别acl撕裂图像的信息，因此开发了第二个模型来从第一个模型诊断为acl撕裂病例的完整MR图像中识别它们。因此，第二个模型是为在获得acl撕裂结果后需要高级撕裂acl图像信息的人员设计的。为此，我们使用训练集中100例acl撕裂病例中的acl撕裂图像和其他图像进行训练和验证( 表2)．

第三种模型用于从所选MR图像中区分撕裂acl和完整acl图像。这个模型被更有经验的读者使用，他们能够识别包含acl的矢状图像，但需要帮助才能做出正确的诊断。为此，为了训练目的，包括撕裂和完整的前交叉韧带的矢状面MR图像( 表3)．

所有图像都以256 × 256像素的便携式网络图形格式从成像系统下载，然后分组，如前所述，用于训练3个不同的CNN模型。人工智能方法使用MAIA自动深度学习软件进行医学影像分析(版本1.2.0;Muen Biomedical and Optoelectronic Technologies Inc)，在之前的研究中使用[ 11］．MAIA的CNN模型基于EfficientNet-B0，用ImageNet预训练[ 12， 13］．在输入训练组的MR图像后，80%的图像被分配给训练，20%的图像被分配给验证和寻找最理想的CNN模型( 图3)．然后对磁共振图像进行水平翻转和高斯噪声增强[ 14］．加入dropout函数和不同的数据增强方法，防止模型在数据集中过拟合[ 15， 16］．训练中的超参数设置为100个epoch，根据内存消耗自动选择批大小，通过余弦退火和1周期策略动态调度学习率[ 17， 18］．使用Adam优化算法对网络进行端到端训练，该算法将交叉熵优化为损失函数[ 19］．分类时，在多类分类和二元分类中分别使用softmax层和sigmoid层作为输出层。MAIA分析使用Python(版本3.x;Python软件基金会)和PyTorch(版本1.1.x;Meta AI)在Windows 10笔记本电脑上，配备GeForce RTX2070显卡(8gb GDDR6 RAM, GT63 Titan 8SF;MSI)。

为了评估模型如何区分撕裂acl、完整acl和其他图像，使用200个独立的案例来测试模型。为了评估ACL撕裂诊断的准确性，被识别为包含完整ACL图像的病例被视为完整ACL病例，其余诊断为ACL撕裂( 图4)．为了评估从诊断为ACL撕裂的病例中识别撕裂图像的辅助模型，从独立测试集中使用了100个ACL撕裂病例用于测试目的( 图5)．为了评估从所选MR图像中区分完整ACL和撕裂ACL图像的第三个模型，使用了来自独立测试集的标记为撕裂和完整ACL的矢状MR图像( 图6)．最后，我们将第一个模型诊断前交叉韧带撕裂的性能与骨科住院医生和医学生的性能进行了比较。为此目的，从测试集中随机选择40例(20例撕裂，20例完好)用于测试不同经验的读者(即骨科住院医生和医学生)。在去除个人、临床、手术和机构信息后，将完整的图像提供给读者，以专注于MRI的阅读。住院医生被分为3组:第1组(总住院医生和体育研究员)，第2组(第3和第4年住院医生)，第3组(第1和第2年住院医生)。每组5人。我们排除了每组的最高和最低的准确度结果，每组的准确度为3个读者的平均准确度。比较了机器和不同经验的读卡器的结果精度。

使用多个指标评估3个模型的有效性，包括准确性、敏感性、特异性、F1-score、受试者工作特征曲线和曲线下面积，使用Python计算。模型与不同学历医生的比较采用SPSS软件包(version 22;IBM公司)。统计显著性设为 P<。05，with a 95% CI.

这项研究证明了使用人工智能方法从完整的MR图像中诊断ACL撕裂的可行性，准确率为96%，从ACL撕裂病例中识别ACL撕裂图像的准确率为99.4%，从选定的MR图像中区分完整的ACL和撕裂的ACL图像的准确率为96.9%。该模型还显示出明显高于骨科住院医师培训和医学生的诊断准确性。

MRI是一种评估前交叉韧带撕裂的高精度工具，其准确性、敏感性和特异性均超过90% [ 20.， 21］．在一次完整的MR扫描中，理想情况下膝关节应在3个正交平面上成像:矢状面、冠状面和轴向片。检查时，患者在扫描仪中仰卧位，膝关节放松，轻度屈曲，轻微外旋(5°-10°)。此位置使前交叉韧带与成像矢状面正交[ 22］．因此，在所有3个平面中，矢状面图像显示ACL最为清晰，尤其是t2加权序列[ 23］．在临床实践中阅读膝关节MR图像时，矢状面图像比其他平面更常用于评估前交叉韧带的状况。因此，我们选择使用完整或撕裂的前交叉韧带的矢状图作为AI方法开发这3个模型的目标。

在正常的膝关节中，前交叉韧带位于股骨外侧髁和胫骨前中部之间，并连接胫骨脊柱前侧。矢状位MR图像呈与髁间嵴平行的紧绷直带(Blumensaat线)，T1和t2加权图像信号强度较低( 图2)．然而，与完整的acl图像相比，MR图像上撕裂的acl符号有许多变化。这些变化包括韧带不同部位(近端、中端或远端)的不连续[ 24]，信号强度异常增加，形态异常，如波动、褶皱或成角。在慢性撕裂中，由于撕裂韧带的吸收，前交叉韧带甚至可能看不见( 图1)．因此，撕裂acl映像的可变外观使得它们比完整acl映像的读取更复杂。在第一个模型中，结果表明该模型在识别撕裂acl图像时的准确性低于完整acl图像(0.87 vs 0.94)。其他图像作为acl撕裂图像的错误预测更多，其中许多错误预测发生在完整acl病例中，将完整acl和撕裂acl图像都识别为完整acl病例(19例)。在acl撕裂病例中，其他图像与完整acl图像的错误预测较少(4例)。所有结果都反映了撕裂前交叉韧带图像的变化。因此，在诊断acl撕裂时，包含完整acl图像的病例被视为完整病例，因为模型识别准确率更高。其余没有完整acl图像的病例视为撕裂病例。利用这一原理排除ACL撕裂病例，诊断ACL撕裂的准确率可达96%，与许多使用不同AI方法的研究相当[ 25- 27］．这种方法可以帮助那些没有接受过阅读膝关节MRI训练但想知道ACL是否撕裂的人员。除了诊断ACL撕裂外，本研究还证明了从ACL撕裂病例的完整MR图像中识别ACL图像的可行性，并以良好的准确性和f1评分区分完好和撕裂的ACL图像。这些模型可以满足各种用户需求。

从模型阅读测试集和不同经验的住院医生和医学生中随机选择了共40例病例。每个病例提供的图像都是完整的MRI检查，包括所有平面和序列。结果表明，该模型诊断前交叉韧带撕裂病例的准确性明显高于医学生和正在接受培训的骨科住院医师。对于骨科医生或放射科医生来说，阅读MR图像来识别前交叉韧带撕裂是相对常规的。然而，对于经验不足的读者，当他们不确定诊断时，该模型可能提供有用的参考。

在这项研究中，我们没有只从一个特定的磁共振扫描仪提取图像。这是因为，在日常实践中，医院可能有多个扫描仪，有时医生可能需要读取来自另一家医院的未知扫描仪的MR图像。本研究的MR图像使用我们研究所的6个不同的MR膝关节扫描仪获得，这些扫描仪来自2个不同的公司，并在不同的年份购买。除了我们医院获得的MR图像外，当患者来寻求第二意见或要求手术时，也会从其他医院获取图像并上传到我们的图像系统中。因此，我们的数据集包含了来自不同扫描仪的图像，并且模型不太可能从扫描仪中学习到与ACL条件无关的一些工件。我们证明了该模型可以很好地用于包含来自不同扫描仪的MR图像的独立测试集。

据报道，在许多使用不同人工智能方法的研究中，使用深度学习方法检测前交叉韧带撕裂的准确率超过95% [ 25- 28］．尽管如此，这项研究中仍有一些新颖之处，我们认为它们在日常实践中的使用具有可比性。首先，我们从异质磁共振扫描仪中提取图像。在以前的研究中，只使用了1或2个扫描仪;然而，一个机构只有1到2台核磁共振扫描仪是不常见的。因此，开发一种深度学习算法，使用来自不同磁共振扫描仪的图像进行训练，可能更好地代表许多医院的真实情况。对于独立的测试集，我们使用了MRI检查的完整图像，并且与以往的研究不同，对扫描仪使用的方案没有限制。其次，我们使用不同的方法来诊断前交叉韧带损伤。我们排除了包含完整acl图像的病例，这些病例由AI方法识别，诊断acl撕裂病例的准确率为96%。第三，我们为不同目的的用户开发了3种不同的模型:(1)从完整的MR图像中诊断ACL撕裂; (2) to identify torn-ACL images from complete MR images with a diagnosis of ACL tears; and (3) to differentiate intact-ACL and torn-ACL MR images from the selected images. Users with different experiences require different types of help. These 3 models are tailored to assist users with different needs by providing them with relevant information using an AI approach, which has not been previously reported.

我们的研究有几个局限性。首先，我们没有标记部分撕裂的acl图像。前交叉韧带的部分撕裂比完全撕裂更难诊断，而且这些诊断在MR图像上的准确性较差[ 29］．因此，我们在本研究中没有使用部分眼泪的图像进行训练或测试。然而，如果将部分撕裂案例输入到模型中，该模型可以将该案例诊断为ACL撕裂，因为该模型无法识别完整的ACL图像。这一发现可能会提醒用户，该病例是acl撕裂病例，该病例可能需要由骨科专家进行再次检查。其次，我们仅使用矢状撕裂前交叉韧带和完整前交叉韧带图像来诊断前交叉韧带撕裂。考虑到其他平面的图像也可以辅助诊断，在训练中加入其他平面的图像可以提高阅读的准确性。第三，我们没有记录磁共振扫描仪的细节，因为从其他医院拍摄的图像的扫描仪信息无法识别。

这项研究证明了使用人工智能方法从完整的MR图像中诊断ACL撕裂的可行性(准确率为96.0%)，从ACL撕裂病例中识别ACL撕裂图像，并从所选的MR图像中区分完整的ACL和撕裂的ACL图像。这些模型可以作为诊断前交叉韧带损伤的临床决策支持系统，为具有不同经验和目的的临床医生阅读膝关节核磁共振成像。