0 引言

       肩袖损伤是导致肩关节疼痛和功能障碍的最常见原因，病变范围可以从部分撕裂到伴有关节炎变化的全层撕裂^{[1, 2]}。冈上肌腱（supraspinatus tendon, SST）作为肩袖结构的核心组成部分，在肩关节运动中最容易受损，研究显示SST损伤约占全部肩袖损伤的85%以上，损伤原因多样^{[3, 4]}。术前准确评估SST损伤情况对临床治疗策略的选择具有重要的指导作用。

       目前SST损伤的术前评估主要依靠MRI检查，临床上以关节镜手术结果作为金标准^{[5, 6]}。传统评估方法依赖医生的诊断水平，观察者间一致性较差^[7]。深度学习（deep learning, DL）作为人工智能（artificial intelligence, AI）的核心技术，近年来在肩袖损伤的评估方面表现出了巨大潜力^{[8, 9, 10]}。然而，现有研究多聚焦单一技术的应用，缺乏跨维度（临床、影像、AI）的系统性整合，难以实现临床应用的转化。基于此，本文在阅读国内外大量文献的基础上，就SST损伤与临床评估、SST损伤的MRI评估、DL与SST损伤等方面进行综述，旨在明确当前SST损伤评估体系所存在的不足，同时提出针对性的未来发展方向，为后续研究提供参考方向。

1 SST损伤与临床评估

       SST损伤患者常表现出肩关节疼痛和外展功能障碍的症状，严重影响生活质量。SST损伤的临床评估方法多样，缺乏统一评估标准^[11]。肩关节体格检查种类较多，检查结果与操作者的主观判断及受检者的配合程度紧密相关，单项检查的诊断价值有限，需综合多项检查才能提高准确性^[12]。不同研究中同一体征的诊断价值不一，如Jobe征在诊断部分撕裂的两项研究中，阴性似然比分别为0.71和0.26^[13]。关节镜作为诊断肩袖损伤的金标准，集诊断与治疗于一体，同时对于其他伴随结构的损伤，如SLAP（superior labrum anterior and posterior）损伤，即肩关节上盂唇的前向后的损伤（撕裂），以及肌腱质量的评估也更为直观^{[14, 15, 16]}。体格检查在SST损伤的评估中敏感度及特异度较低，且无法准确评估撕裂程度及术后愈合情况，因此仅适合作为辅助筛查手段，需配合MRI、超声等影像学检查以实现精准诊断和治疗决策。关节镜虽然能直观、动态评估SST损伤，但关节镜手术成功与否在一定程度上也依赖于术者的技术和经验^[17]，同时也存在一定的并发症风险，如手术相关出血、血管神经损伤、感染等。曾有研究者综述了肩关节镜检查的并发症发生率约5.8%~9.5%^[18]。因此，寻找一种无创评估SST损伤的方法能大大减轻患者疾病负担。

2 SST损伤的MRI评估

2.1 MRI的优势分析

       肩袖疾病的术前影像评估方法众多，X线平片与计算机断层扫描（computed tomography, CT）对钙化的显示具有显著优势^{[19, 20]}，但其软组织分辨率较低，用于诊断SST撕裂的应用价值有限。超声检查是目前评估SST损伤的有效的检查方法之一，但不同操作者间诊断的一致性较差、主观性较强，而且无法量化肌腱病变的严重程度^{[21, 22, 23]}。

       MRI在软组织成像中具有独特的优势，同时又具有多参数、多序列及多模态成像方法，是SST损伤常用的影像学检查方法。一项对73例SST损伤患者的1.5 T MRI诊断评估发现，MRI检查诊断SST损伤的敏感度为98.6%，特异度为88.2%，准确度为96.6%^[24]。王友海等^[25]的研究采用1.5 T MRI检查对SST损伤评估发现，斜冠状位扫描对于SST受损程度判定差异无统计学意义（P>0.05），而斜矢状位与横断位、斜冠状位扫描具体结果对于SST受损程度的判定差异存在统计学意义（P<0.05）。

       目前应用广泛的3.0 T场强MRI扫描仪具有更快的扫描速度、更高的软组织分辨率及信噪比，对肌肉骨骼疾病的诊断具有较大的临床应用价值^[26]。曹俊涛等^[27]通过对比三维—多回波恢复梯度回波、常规序列及两者联合对SST损伤的诊断价值，发现单独三维—多回波恢复梯度序列的敏感度、特异度、阳性预测值、阴性预测值分别为100%、80.00%、88.90%、100%，显著高于常规检查，且与两者联合的评价无显著差异。MRI还能准确评估肌腱撕裂的位置、量化肌腱回缩长度、肌肉愈合阶段的识别及再损伤的风险预测，全过程监测，及时提供临床反馈，为后续临床治疗策略的制订提供可靠依据^[28]。

2.2 MRI诊断SST的临床应用

       多项研究表明，MRI对于诊断SST具有极高的临床应用价值，尤其是在全层撕裂评估具有类似关节镜的诊断精度^{[29, 30]}。SST撕裂后，肌肉会发生脂肪变性和体积萎缩，二者共同影响手术修复效果并可作为术后再撕裂的预测指标^{[31, 32]}。KUO等^[33]回顾性研究了388例接受过肩袖修复术的患者，术前通过MRI测量并使用Goutallier脂肪变性指数（Goutallier fatty degeneration index, GFDI）评估肩袖肌肉的脂肪浸润的程度，根据术后3个月评估时的运动范围定义是否存在早期术后肩部僵硬（postoperative shoulder stiffness, POSS），结果显示肩袖肌肉中脂肪浸润增加，尤其是GFDI≥1.5，与术后3个月早期POSS的风险增加具有显著相关性。此外，还有学者在对另外两项共涉及257例接受了肩袖修补术的患者研究后指出，客观量化脂肪浸润程度，对创伤性肩袖撕裂术后再撕裂风险的预测具有重要意义^{[14, 34]}。

       对于肩袖复杂或微小损伤的显示，磁共振关节造影（MR  arthrography, MRA）诊断效能显著优于MRI^{[35, 36]}。LIU等^[37]对涉及1030名患者的12项研究进行了系统性的Meta分析，比较了MRI与MRA诊断肩袖撕裂的准确性，分析结果表明，MRA对任何撕裂的检测都比MRI具有更高的敏感度和特异度（敏感度：0.97 vs. 0.84；特异度：0.97 vs. 0.92）。AWASTHI等^[38]针对MRA检出肩袖损伤的能力开展一项横断面的研究，通过与关节镜金标准相比，评估了MRA诊断肩损伤的敏感性、阳性预测值和诊断准确性，同样认为MRA在识别肩袖损伤方面表现较MRI出色。

       综上，笔者认为MRI在肩袖损伤的术前评估中具有显著优势，它能够提供详尽的解剖信息及对病变的清晰显示，可早期检出肩袖肌腱的损伤，还能定量分析肌肉萎缩及脂肪浸润情况，对于临床治疗策略的选择及预后评估提供了坚实可靠的基础，同时MRI作为无创、安全无辐射的检查方法，也极大地提高了其在孕妇及儿童人群的适用性。然而MRI在临床实践中仍存在以下不足：（1）不同的医生对同一MRI图像的解读存在差异，导致损伤分级不一致，影响治疗策略的选择。（2）MRI序列多，人工阅片耗时耗力、效率低。（3）复杂的肩袖解剖结构，尤其是靠近肱骨头足印区的肌腱微小撕裂难以有效分辨。（4）MRI扫描时间长，部分肩部疼痛显著的患者难以长时间保持固定姿势，致使扫描图像无法满足诊断需求。此外，虽然对MRA对肩袖损伤的诊断性能优于MRI，但MRA作为一种侵入性检查，难免会带来相关并发症和潜在的风险。MRA的潜在益处必须与注射对比剂所带来的额外不适和侵入性进行权衡，急性症状或严重病理性撕裂的患者表现为积液或软组织变化，从而无需对比剂即可诊断和表征，而患有慢性症状或临床评估怀疑较为微妙的病理异常者更常需要MRA。

3 DL与SST损伤

       DL是一种基于人工神经网络的机器学习方法，旨在通过构建多层神经网络模型来实现对数据的学习和预测，它的典型模型包括卷积神经网络（convolutional Neural Network, CNN）、循环神经网络（recurrent Neural Network, RNN）等。DL能够捕捉数据中的非线性关系和隐藏模式，可自主理解任务内容和数据表示并自动提取有价值的特征信息^{[39, 40, 41]}。DL目前在临床应用范围广泛，如肺结节的筛查、骨关节炎及肌腱韧带损伤的评估等^{[42, 43, 44]}，近几年在肩袖损伤的应用也取得了一些进展。

3.1 DL对肩袖损伤检查效率的提升

       MRI是现代肌肉骨骼成像的基石，然而较长的脉冲序列获取时间可能导致患者耐受性和可及性的局限。SST损伤的患者由于受疼痛的影响，在MRI检查中难以长时间保持固定，因此图像质量成为一个重要问题。近年来的技术进步引入了加速技术，显著缩短了肌肉骨骼的MRI检查时间，关键加速方法包括并行成像、同时多片采集和压缩感测等，基于DL的图像重建技术有望实现更快的扫描速度，同时不影响图像质量^{[45, 46, 47]}。

       谢晓亮等^[48]在DL算法的基础上开发了智能快速磁共振（intelligent quick magnetic resonance, IQMR）技术，通过一系列的调整与优化，根据Zlatkin分型对SST损伤程度进行分级评估并与常规MRI对比，结果显示该技术的扫描时间较常规扫描缩短了41%，同时图像质量也有所提高。VOSSHENRICH等^[49]也提出了一种7分钟五序列DL超分辨率3.0 T场强磁共振肩部成像的方法，共121例肩关节患者接受了该方法以及关节镜的检查，然后7名放射科医生独立评估了MRI扫描质量参数和伪影的存在（使用李克特量表）以及肩袖损伤情况，通过与关节镜检查结果对比验证的结果显示，该方法整体图像质量良好，对肌腱、盂唇和骨软骨异常的诊断具有较好的诊断性能。DRATSCH等^[50]以20名志愿者作为研究对象，探讨了将压缩感测与DL结合用于肩部加速二维和三维MRI的潜力；研究结果显示，对于3.0 T场强的肩部MRI，基于DL的算法相比传统方法实现了额外的采集速度，二维序列实现了4倍加速，三维序列实现了13倍加速，且图像质量没有显著下降。

       大量研究结果表明，通过DL方法能在保持图像质量、全面性和诊断性能的同时，显著缩短检查时间，可有效缓解患者的焦虑和不适，提升了MRI检查的效率。但目前的研究大多为单中心，临床实践应用的证据仍不充分，且总体数据量偏小，可能存在结果过拟合的情况。未来需通过多中心数据共享、轻量化模型开发及多模态数据融合进一步验证。

3.2 DL对肩袖图像分割的应用

       近年来，利用DL方法的医学图像分割已被扩展到多种肌肉骨骼疾病。其中应用DL的图像分割越来越多地被用于疾病的诊疗，分割方法涉及将数字图像拆分为多个像素，并根据阈值分割指定特定区域为关注区域的过程^[51]。DL能根据任务需求自动勾画肩袖感兴趣区，从图像中提取有意义的信息或目标，显著减少了传统人工分割的观察者间差异性和时间消耗^{[26, 52]}。一项基于自动三维分析肩袖损伤的研究显示：自动分割实现三维可视化的平均Dice系数为0.58±0.21，而观察者间变异为0.46±0.21；而自动观察肌腱回缩及撕裂宽度的测量的平均误差较观察者差异显著减低（4.98 vs. 5.42；3.88 vs. 5.92）^[53]。因此，人工测量显示出较高的观察者间变异性，DL的加入能减少这一差异。

       U-Net是一种用于图像分割的经典CNN架构。ALIPOUR等^[54]开发了一种基于残差深度卷积编码器-解码器的U-Net模型，用于对157名患者的肩关节斜矢状位T1加权图像进行肩袖肌肉、肌腱的分割，通过Dice系数评估模型的性能，结果显示模型的准确度类似于经验丰富的放射科医生，中位Dice系数达到了0.89。LI等^[55]开发了一种U-net+FPN（feature pyramid network）架构的多模型DL网络，这是在经典CNN网络构架上加入了FPN，即对微小物体检测的高效架，研究中对包含376名患者的5640张图像进行分割计算，结果显示模型对撕裂区域的分割精度较高，Dice系数达到了0.75。MEDINA等^[56]创建了一种能够选择特定肩关节斜矢状面MRI图像（Y视图）的CNN用于对肩袖肌肉、肌腱进行自动分割，通过对258例患者的研究分析得出模型对于肩袖肌肉、肌腱的分割显示出与其他DL方法相当或更好的准确性，对冈上肌、冈下肌、肩胛下肌及小圆肌分割的平均Dice系数大于0.93。LEE等^[51]和YAO等^[57]分别从三维和二维的角度对肩袖撕裂进行了分割研究，均取得了令人满意的效果，但通过对比发现，三维自动图像分割更有助于全方位了解肩袖肌腱撕裂的形态，有效帮助外科医生制订手术计划及向患者解释手术内容。

       传统的MRI图像分割需要放射科医生手动勾画，耗时且易受疲劳影响。DL模型能够实现端到端的全自动分割，不仅分割轮廓，还能进行精细的定量分析，为手术规划提供数据支持。DL模型分割方法具有多模态数据整合的能力，但其对于数据的依赖性强，同时由于不同分割模型的算法不同，导致模型间的性能难以直接对比，因此建立一个统一、规范的评估标准显得尤为重要。此外，由于SST撕裂形态的多样性，传统神经网络架构是否适用仍是需要研究的问题。

3.3 DL对SST损伤检出的应用

       SST的损伤类型决定了临床治疗策略的选择^{[58, 59]}，准确评估SST损伤对临床治疗具有重要的指导意义，由于MRI评估一定程度上依赖诊断医生的水平，因此寻找一种新的评估方法显得尤为重要。

       有研究报道提出基于MRI的DL方法以其独特的算法及训练策略，在对于SST撕裂的诊断中展现出了与专业肌骨放射科医师相当的准确性^{[16, 30]}。例如，NI等^[60]筛选了3087例患者，根据关节镜检查结果对其进行SST损伤的分组（正常组、退行性组及撕裂组）研究，他们首先使用了一个视觉几何组网络16（visual geometry group 16, VGG16）对图像进行初步筛选，然后建立一个多任务学习模型及多阶段决策模型，通过给模型中不同的分类器赋予不同的权重，最后对图像进行分类输出。通过对模型性能的评估以及比较了放射科医生和模型之间诊断效果差异，总结发现自动化多任务DL系统在不同类型SST损伤诊断方面表现良好^[60]。此外，LIN等^[61]开发了一种由4个并行的3D ResNet50的CNN架构组成的集成算法，分析了来自两个机构的共11 925例患者的图像，使用3个平面的T2加权脂肪抑制序列及斜矢状位T1加权脂肪抑制序列作为每次检查的输入，通过迁移学习对网络架构进行训练，最终对撕裂类型进行预测，结果显示冈上肌、冈下肌和肩胛下肌腱撕裂的总体受试者工作特征曲线下面积（area under the curve, AUC）分别为0.93、0.89和0.90，表明模型的诊断性能优异，具有可行性。基于AI的解决方案可以提供更精准高效的诊断，协助个性化治疗计划，并预测术后预后，有效改变了肩袖撕裂的管理^[62]。对于SST损伤的评估，基于T2加权冠状面MRI的DL被视为最有效的检测方法，统计分析显示AI与人类专家在准确性、敏感性等方面无显著差异^[63]。

       目前，DL对于肩袖损伤诊断的研究多聚焦于提升精度与效率，关键技术包括多序列输入优化、3D量化分析及注意力机制的应用等^{[22, 61, 64]}。有学者使用3D CNN模型对肩袖损伤进行分类，然后使用Voxception-ResNet结构对模型进行训练，最终模型对肩袖损伤诊断的准确性达到了92.5%，优于普通骨科医生^[65]。DL还支持多序列MRI数据的整合分析^{[61, 66]}，例如同时评估冈上肌、冈下肌和肩胛下肌腱的撕裂情况。部分研究认为虽然斜冠状位T2加权脂肪抑制序列对SST撕裂的诊断与多序列图像输入的AUC相似，但多序列训练有助于提高模型的泛化能力^[64]。

       综上，DL在肩袖损伤评估中已基本实现从传统影像诊断向自动化定量（如脂肪浸润、肌肉体积分析）、快速成像优化及多模态整合的跨越，形成了从精准诊断到预后预测的完整技术链条，同时也改善了不同医师间诊断的一致性差的问题。但其对大规模高质量标注数据的依赖、硬件要求、可解释性及跨平台泛化等不足仍需通过多中心合作、模型解释技术和持续的临床验证来逐步克服。此外，SST损伤在患者表现和严重程度上存在差异，撕裂大小、位置及伴随损伤的存在等变量表现出显著的异质性，因此AI模型必须适应这种变异性，并根据个案调整建议，以提供个性化管理策略。

3.4 SST损伤的DL评估当前存在的问题

       针对SST损伤的DL评估方法尽管已有大量文献报道，但由于SST损伤的复杂性、各机构评估方法的差异性，AI结果的变异性凸显了数据集质量、注释一致性、模型训练方法和真实参考等因素的显著影响，所以DL技术的广泛应用尚存在一定的局限性：（1）数据标注与样本质量问题，前期的图像标注依赖于医师的经验，缺乏统一标准，导致跨研究数据整合困难；（2）模型性能与泛化能力局限，对SST部分撕裂的识别能力不足，不同MRI设备的成像参数差异导致模型鲁棒性不足；（3）临床实践与技术瓶颈，DL模型的输出缺乏临床标准化解读，不同机构的应用流程差异较大，对SST的损伤尚未形成独立的诊断标准。

4 总结与展望

       综上所述，基于MRI和与之配对的关节镜手术结果作为训练数据开发的DL模型，在SST损伤的评估中展示出了较好的效能。但只有少数研究使用了关节镜检查结果，大多数研究首先由经验丰富的骨科医生或放射科医生评估MRI，增加了数据集中的潜在误差，AI模型以关节镜结果作为首选参考标准更为可靠。基于DL算法的IQMR在保证了图像质量的同时大幅缩短了扫描时间，具有重要的临床应用价值。然而，DL模型的性能高度依赖于大规模、高质量的数据集训练，而这些数据集正是当前亟须解决的问题，因此大范围推广及临床应用仍面临巨大挑战。未来的研究应聚焦于开发更复杂的AI算法，能够分析复杂数据集并提供更精确、更可靠的诊断。笔者认为，未来可通过跨机构数据共享与隐私保护的联邦学习框架，提升模型的泛化能力，降低单中心数据偏倚；同时，结合影像、临床、AI三个维度的数据进行特征学习，利用注意力机制实现跨模态信息互补，提高对微小撕裂和早期肌腱退变的检出率；此外，制定统一的评估标准以推动临床转化，在减轻临床医生工作压力的同时也让患者从中获益，减轻社会负担。