0 引言

       腕关节作为人体精细动作的核心枢纽，其稳定性与功能依赖于一系列复杂的解剖结构。腕关节三角纤维软骨复合体（triangular fibrocartilage complex, TFCC）是位于腕部尺侧的关键结构，由三角纤维软骨盘及周围韧带共同构成的复合^[1]。其具有维持腕关节稳定性、承受、缓冲和传递腕关节轴向压力的功能^{[2, 3]}。在日常活动中极易受伤或劳损，严重时会影响患者的生活质量^[4]。TFCC分型目前主要采用国际通用的Palmer分型^[5]。根据损伤的病因将TFCC损伤分为创伤性（Ⅰ型：A~D型）和退行性（Ⅱ型：A~E型）。相关文献指出，在治疗上遵循Palmer分型，明确诊断与分型对开展合理有效治疗、改善患者预后至关重要^{[6, 7, 8, 9]}。

       磁共振成像（magnetic resonance imaging, MRI）被视为检测TFCC损伤的主要影像学手段^{[10, 11]}。研究表明，相较于关节镜检查，MRI对TFCC的损伤的敏感度为71.4%，特异度为100%^[12]。受限于腕部解剖结构复杂、软组织成分多样，也有许多研究者致力于研究TFCC在MRI不同场强、不同序列下的差异与相关性^{[13, 14, 15]}。相比之下，关节镜可直接观察韧带范围、质量及相关软骨损伤，有助于手术方案的制订，成为诊断TFCC损伤的金标准^[16]。但关节镜为有创操作存在术后并发症可能，技术要求高且费用昂贵，且仅能评估关节内结构，对关节外软组织病变评估有限^{[17, 18]}。因此寻求一种更加准确、无创的技术应用于TFCC损伤的诊断至关重要。

       目前，人工智能（artificial intelligence, AI）作为最受关注的前沿技术之一，在医学影像分析中取得突破性进展，尤其是机器学习（machine learning, ML）与深度学习（deep learning, DL）方法^[19]。近年来，AI在TFCC损伤诊断的研究^{[20, 21]}，展现出独特优势：无创、经济、可重复性，且能够更精准地识别、定位与分类，有望推动TFCC损伤的精准医学。尽管AI在TFCC损伤的应用已取得一定的进展，但目前相关综述仍较为有限。

       因此，本文对AI在TFCC损伤诊断中的现有应用研究进行综述，探讨目前研究的潜力、局限性及未来发展方向，以期为未来AI在TFCC损伤的准确、高效诊断的研究提供参考，从而改善患者预后。

1 文献检索方法

       检索中国知网、PubMed数库中关于TFCC的研究，检索时限2015年3月至2026年3月。中文检索词包括：人工智能、AI、影像组学、深度学习、TFCC、三角纤维软骨复合体、诊断、磁共振成像、MRI等检索词及其组合，英文检索词包括：Artificial Intelligence、AI、Machine Learning、Deep Learning、Palmer type、Wrist joint等检索词及其组合。文献纳入标准：（1）检索对象为TFCC损伤或TFCC亚结构损伤患者；（2）与研究主题相关的涉及磁共振成像诊断或分型评估；（3）研究类型为原创性论著或系统综述；（4）文章语言为中文或英文。排除标准：重复发表、无法获取全文和数据、与本研究主题无关的文献。

2 AI在TFCC损伤诊断中的技术基础

2.1 AI技术简介

       AI是计算机科学的分支，其核心功能是实现类人思维的自动化，以协助或替代人类完成特定工作，而ML和DL是实现这一目标的特定方法^{[22, 23]}。二者共同推动了AI在医学影像中展现出重要作用^{[24, 25, 26]}。ML使计算机能够从数据中自动学习规律，无需显式编程，以提高在各种任务（如预测）中的表现^[27]。DL（尤其是卷积神经网络）是ML的新兴分支，它通过使用超过20层的神经网络和GPU并行计算能力，能够在图像处理中自动学习重要特征，无需人工提取或筛选。相比传统机器学习，DL消除了特征选择的人为偏差，显著提升了对真实世界数据的鲁棒性^[28]。影像组学通过将医学影像转化为可挖掘的高维数据，实现更深层次的信息提取。上述技术在骨骼肌肉系统影像中已取得广泛进展，但应用于TFCC这一特殊解剖结构，面临区别于大关节分析的技术挑战：结构微小，在常规MRI序列中仅占数个像素/体素，易在采样过程中丢失此类微小目标的语义信息；TFCC紧邻尺骨茎突、月骨及关节积液，在常规MRI序列中与周围组织信号强度高度重叠，增加了精准分割与特征提取的难度；TFCC在解剖上呈3D拱形结构，单纯依赖2D分割会丢失其结构连续性，而直接进行3D分割则面临各向异性与计算量大的问题。

2.2 TFCC图像识别与分割技术

       图像识别与分割技术作为医学影像分析的重要环节，是计算机辅助诊断的基础。研究初期，TFCC的分割主要依赖放射科医生对影像图像的手动逐层分割，然而该过程费时费力，且易受医生主观判断的影响。基于DL的医学影像分析能够更加准确、快速且可重复^{[29, 30]}。目前DL用于医学图像分割的主体技术以卷积神经网络（convolutional neural networks, CNN）（如U-Net及其变体）架构为核心的监督学习方法^[31]。针对TFCC在解剖上的特殊性（TFCC精细微小，组分边界模糊），DL成为图像识别与分割技术研究的主要方法，但基于DL的TFCC自动识别与分割研究相对较少。BRUI等^[32]开发基于CNN的自动分割方法，致力于从2D MRI图像中分割腕关节软骨。采用平面架构和基于图像块的训练策略。中位冠状切片的Dice系数达0.81，优于图像基U-Net（DSC 0.64），并与人工分割一致性良好。YI等^[33]开发并验证一套AI增强（INR用于超分辨率重建，CNN与多解码器架构用于分割，自监督训练策略）的腕部MRI超分辨率与分割算法，对TFCC中远端桡尺韧带的尺骨止点进行了三维定量分析，检测深、浅部远端桡尺韧带的尺骨止点面积的组内相关系数分别为0.95、0.96，一致性极佳；分割桡骨、尺骨和TFCC的Dice系数分别为0.92、0.81，展现出的精准的分割能力。

       以上模型建立基于2D维度或针对TFCC的某个亚结构，而TFCC本身的三维拱形结构，2D处理会丢失其结构的连续性，直接进行3D处理则面临各向异性与计算量问题。未来可以设计针对薄板状结构的专用3D网络（如各向异性卷积），或采用伪3D/2.5D策略平衡精度与效率。从而提高的TFCC分割精准度，促进AI在TFCC医学影像分析中的临床辅助诊断效能。

3 MRI在TFCC的应用进展

       MRI具有较高的软组织分辨率，可采用多序列成像，对软组织的敏感度高,对TFCC诊断的价值较大^{[34, 35]}。临床常用序列包括T1加权成像（T1-weighted imaging, T1WI），T2加权成像（T2-weighted imaging, T2WI），质子密度加权成像（proton density weighted imaging, PDWI）。尽管常规MRI应用广泛，但其诊断准确性因TFCC损伤类型多样而异，且与关节镜的一致性存在差异。有研究者^[36]将慢性腕关节疼痛患者的MRI关节造影与常规MRI和诊断性关节镜比较，结果显示常规MRI在诊断中央型TFCC病变时的敏感度为87.5%、特异度为100%、阳性预测值为100%、阴性预测值为94.4%、准确率为96%，与关节镜之间的一致性较好（Kappa值为0.91）；诊断外周尺侧型TFCC病变的敏感度为71.4%、特异度为81.8%、准确率为76%，与关节镜的一致性中等（Kappa值为0.52）；MRI关节造影在诊断中央型TFCC病变时表现出敏感度、特异度、准确率均为100%，诊断外周尺侧型TFCC病变的敏感度为100%、特异度为90.9%、准确率为96%，与关节镜的一致性较好（Kappa值为0.92）。上述结果表明，常规MRI与MRI关节造影均具诊断价值，但后者在准确率、敏感度和一致性上更优。然而，常规2D MRI受限于部分容积效应和魔角伪影，尤其是当TFCC小韧带走行与标准冠状面存在倾斜角度时，显示效果欠佳。为此，BANJAR等^[37]比较了各向同性3D快速自旋回波MRI与传统2D快速自旋回波MRI在显示TFCC韧带方面的效果。结果显示，在所有韧带中，3D MRI的可见性评分均高于2D MRI（P<0.01），3D MRI的相关系数和Kappa值普遍高于2D，该技术对提高尺侧TFCC损伤的诊断性具有重要意义。在3D成像基础上，高场强MRI和专用线圈的进步进一步提升了TFCC的显示能力。近年来，MRI技术不断改进，高场强3 T MRI在临床实践中应用更加广泛，专用四肢线圈也得到优化^[38]。ELADAWI等^[14]评估了3 T MRI联合3D T2双回波稳态序列配用专用腕部线圈在TFCC损伤中的诊断准确性，敏感度为100%、特异度为86%、阳性预测值为89%、阴性预测值为100%、准确率为93%，该研究结果展现出高的诊断准确性，其高阴性预测值提示该技术有望减少不必要的诊断性关节镜检查。

       除形态学评估外，定量MRI技术能够探测组织微结构改变，为早期退变或损伤提供客观指标。BOUDABBOUS等^[15]研究使用3 T MRI 利用三维超短回波时间-T2^* mapping序列，并辅以3D PDFS序列定位，对无症状志愿者TFCC进行定量成像。结果显示，TFC盘的T2^*值范围为6.7~13.9 ms，与年龄显著正相关（r²=0.59，P=1.2×10^-4），提示增龄相关的纤维软骨微结构的退变，且T2^*值不受性别、手优势及尺骨变异的显著影响。YAN等^[39]研究利用3 T MRI 3D容积内插值屏气序列和T2 mapping技术对TFCC损伤进行定量分析，通过T2 mapping彩图显示损伤区域软骨颜色变化以反映T2值。结果显示，损伤组各区域T2值均高于健康组，优势手与非优势手、不同性别间T2值无显著差异，T2值与年龄无显著线性相关（r=0.203，P=0.243），该技术组合表现出较强的客观性与稳定性，为TFCC损伤的早期诊断提供了有价值的影像学工具。

       上述研究从不同角度探讨了MRI场强、序列参数对TFCC诊断的影响及与关节镜的一致性，但仍存在定量标准缺失、解剖结构显示不一、影像与临床表现关联不足等局限。未来可以融合AI技术实现韧带自动分割与曲面重组，融入多序列、输入定量参数或临床信息构建多模态TFCC损伤诊断模型，推动TFCC损伤诊断向标准化、定量化与个体化迈进。

4 AI在TFCC损伤中的应用进展

4.1 TFCC损伤的诊断

       目前，临床上无创诊断TFCC损伤主要依靠MRI检查，而关节镜虽为“金标准”，但属于有创检查，存在风险与局限性^[40]。AI应用于TFCC的损伤诊断，不仅可以减少对医师经验的依赖，相较于关节镜诊断具有无创性。滕佩宏等^[20]构建基于MRI影像组学模型以无创识别TFCC损伤。该研究回顾性分析100例患者数据，通过手动勾画TFCC区域并提取88个影像特征，结合曼-惠特尼U检验和LASSO算法筛选出关键特征，利用支持向量机构建分类模型。在测试集中，该模型的AUC达0.88，敏感度为92%，特异度为100%，具有较高诊断效能。影像组学提供了一种客观、可重复的辅助诊断工具，减少对医师经验的依赖。然而，研究存在样本量较小、未考虑临床多因素影响且依赖医生手动分割ROI，且模型的可解释性无法提供。LIN等^[21]开展了一项利用DL技术自动识别腕关节MRI中的TFCC损伤研究。研究采用332例内部数据集及50例外部队列，分别基于MRNet和ResNet50构建两种算法模型，MRNet模型性能较优，AUC为0.871，敏感度和特异度分别为88.2%、92.3%。该研究实现了对未标记MRI图像的高效分析，减少了人工标注依赖，进行了内外验证，并通过热力图进行可解释性分析。HÜGLE等^[41]开发了一种基于EfficientNetB4的DL模型，用于在手部 X 线平片上自动检测焦磷酸钙沉积，其综合模型在TFCC区域的检测中表现出良好性能（AUC为0.86）。该研究展示了AI在腕部TFCC区域进行结构识别与分类的可行性，为TFCC损伤的影像自动化分析提供了方法学基础。

       综上，基于AI（影像组学与DL）用于诊断TFCC损伤的研究尚少，但展现出了影像组学及DL的技术在诊断TFCC损伤中的可行性（具体信息见表1），为未来有望实现高效、无创诊断、减少医师经验依赖、推动临床辅助决策工具的智能化发展奠定基础。未来应开展研究，构建大规模多中心前瞻性数据库，开发融合影像（多序列）与临床信息的多模态深度学习模型，并以前瞻性随机对照试验验证其临床价值，推动AI从辅助诊断TFCC损伤向治疗决策支持转化。

点击查看表格

表1  AI在TFCC损伤及相关损伤中的研究比较
Tab. 1  Comparison of AI research on TFCC and associated injuries

4.2 TFCC损伤的分型

       TFCC损伤分型在临床治疗策略及预后方面具有重要指导意义，精准分型诊断有助于指导临床制定治疗方案及改善预后^{[45, 46]}。有研究^[47]利用MRI技术，按照Palmer分型与正常解剖对照，分析TFCC各型损伤的MRI表现特点（表2）。系统分析各分型的特异影像征象，将其作为先验知识嵌入模型设计；有助于AI分类器能够学习到符合临床分类逻辑的特征表示，从而突破“黑箱”局限^[48]。CHU等^[44]开发并验证了一种基于YOLO DL模型的自动化方法，用于检测MRI图像中TFCC损伤的亚结构损伤，该方法的内部测试集诊断准确率为83.25%、敏感度为91.67%，外部测试集准确率为71.0%、敏感度为84.68%，显示出较好的泛化能力，有助于辅助低年资放射科医生诊断，提高TFCC损伤的早期识别。SHINOHARA等^[42]利用DL分析超声图像以诊断TFCC Palmer ⅠB型，回顾性病例系统研究比较了三种模型，其中GoodLeNet准确率较高（85%）、GoogLeNet特异度为78%、ResNet50与ResNet101敏感度达100%、ResNet101 AUC 0.97。Palmer ⅠB与ⅠC型常伴有桡尺关节的骨折，有研究^[43]提出一套DL的自动识别与分类桡骨远端骨折系统，比较4种模型（DenseNet121、ResNet50、VGG-19、InceptionV3），DenseNet121在桡骨远端骨折识别与分类中表现最稳定，AUC均达0.96以上，该研究虽未直接针对诊断TFCC Palmer分型，但可以通过构建融合X线与MRI的多模态模型，该模型特别适用于伴有“骨骼+软组织”联合病变的TFCC Palmer分型（如ⅠB与ⅠC型）。

       由于TFCC Palmer分型的复杂且结构的精细，目前直接针对AI用于TFCC损伤分型的研究尚少。但现有研究已在亚结构检测、特定分型的超声诊断及伴发骨折的自动识别等方面积累了方法基础与关键技术路径（表1）。此外，也有研究者进行其他分型的研究^[1]，如Atzei分型、Zhao分型、Herzberg分型、CUP分型，从不同临床视角（如韧带附着点、力学稳定性、骨性结构等）弥补了传统单一分型的局限性，为AI应用于TFCC损伤分型提供了多维度、精细化的损伤标签体系，从而有望推进AI驱动下的TFCC精准分型诊断。未来应通过构建多模态影像（X线、MRI、超声、CT）的多任务学习框架，提升分型精度；融合解剖先验的可解释性模型，将关键影像征象作为约束嵌入网络，构建多中心、多设备的高质量数据集，增强诊断依据的可视化与可信度和模型的泛化能力，不断推动AI在TFCC损伤分型领域的研究。

点击查看表格

表2  TFCC Palmer分型及MRI表现特点
Tab. 2  TFCC Palmer classification and MRI features

5 小结与展望

       AI在TFCC损伤诊断中展现出巨大的潜力，但其发展与应用仍面临诸多的挑战。（1）数据方面：TFCC结构精细，各组分边界模糊，作为Palmer分型金标准的关节镜结果仅适用于部分手术患者，导致大量MRI缺乏确诊标签，且存在选择偏差；各机构使用的MRI设备、场强及扫描序列差异，导致图像对比度、分辨率不一，严重削弱单一数据源训练模型的泛化能力。（2）算法与模型：TFCC尺侧副韧带、尺腕韧带等结构在常规MRI中信号接近周围组织，传统分割网络难以捕捉此类亚毫米级结构的边界，要求模型不仅具备全局上下文建模能力，更需融合高频细节感知模块。（3）临床验证方面：研究大多为单中心回顾性分析，模型仅在内部测试集表现良好。目前缺乏前瞻性、多中心研究来验证，也未能证明AI辅助能否最终改善患者临床结局。

       针对上述问题，未来可从以下方面着手研究。首先，发展基于迁移学习和医学影像特异性增强的小样本鲁棒算法扩充数据多样性，提升泛化能力^[49]。同时，应突破单一模态限制，通过融合多序列MRI的软组织对比、X、CT的骨性结构信息以及动态超声的功能评估，引入注意力机制，增强对TFCC细微结构的捕捉能力与应对组织间对比度低问题^{[50, 51]}。最后，采用域自适应技术、通过前瞻性、多中心的临床研究验证其对诊疗决策和患者结局的实际改善^[52]。

       综上所述，AI在医学领域的应用有利于辅助临床决策、减轻医生的工作量、提高诊疗效率、减少误诊的可能性，并有助于提高对疾病的诊断及预测的准确性。近年来，国内外在TFCC损伤AI辅助诊断领域已取得初步进展。未来，研究人员需持续在影像组学、深度学习领域技术路径探索，逐步解决现存问题与挑战，有望实现AI在TFCC损伤诊断及临床决策中发挥越来越重要的作用。