综述：人工智能在上肢外科手术中的应用：系统性综述

本综述系统回顾了人工智能（AI）在上肢外科领域的应用进展，涵盖影像分析（如X光、MRI）、手术预后预测、假肢控制、术中辅助等六大方向。AI在诊断准确性（如骨折检测AUC 0.95–1.0）、手术规划及个性化治疗中展现显著优势，同时面临算法偏见与临床整合挑战。

引言

人工智能（AI）通过模拟人类智能的计算算法，在医疗领域实现跨越式发展。近年来，机器学习模型进步、算力提升及数据可用性推动AI在医疗中的应用呈指数增长。ChatGPT等先进系统的出现，更使医疗专业人员、患者和研究者能够更便捷地利用AI技术。既往研究证实AI在医学影像识别（如骨折检测与分类）、术前风险评估、临床决策支持及治疗结果预测建模中具有多样化应用。

在上肢（UE）骨科领域，AI的应用迅速扩展。2019年一项针对12项研究的系统性综述指出，AI在通用骨科骨折检测中表现卓越，其中5项研究达到近乎完美的预测水平（AUC 0.95–1.0）。然而，截至2021年4月，手部手术中的AI应用仍相对有限。随着技术快速发展，本系统性综述旨在全面评估AI在上肢外科中的当前应用格局，分析其临床潜力并指明未来研究方向。

材料与方法

本研究遵循系统性综述与Meta分析（PRISMA）指南，通过MEDLINE/PubMed数据库进行文献检索。检索策略涵盖2009年11月至2024年4月间发表的研究，关键词包括：（Artificial Intelligence OR Machine Learning OR Deep Learning）AND（Diagnosis OR Detection）AND（Hand Surgery OR Arm Surgery OR Elbow Surgery OR Shoulder Surgery）。

纳入标准聚焦于评估AI在上肢外科应用的原始研究文章，排除无关主题、综述、信函、会议摘要及非英文文献。通过Rayyan工具去重后，由两名独立评审员进行标题、摘要及全文筛选，分歧通过讨论或通讯作者裁决解决。最终118篇文章纳入分析，并根据研究主题分为六大类别。

结果

纳入研究概况

初检获得1,097篇独特文献，经筛选后118篇符合标准。文献发表年份从2009年至2024年，中位数和众数分别为2022年和2023年。这些研究被划分为六大应用方向：自动化影像分析（36%）、手术结果预测（20%）、测量工具（14%）、假肢应用（14%）、术中辅助（10%）及临床决策支持工具（6%）。其中11项研究存在跨类别重叠。

自动化影像分析

影像分析是AI在上肢外科中最常见的应用（42项研究），涉及X光、磁共振成像（MRI）、超声及关节镜图像的智能解读。24项研究专注于X光分析，AI在检测骨折（锁骨、手臂、肘部、手腕、手部）、测量关键肩角、识别肩关节置换模型以及诊断内生软骨瘤、关节脱位、肩袖肌腱撕裂和舟月韧带断裂等方面表现出色。

6项研究直接对比AI与临床医生的影像分析性能，结果显示AI在诊断准确性和速度上匹配或超越人类。例如，一项研究中AI检测桡骨远端骨折的准确度达99.3%，敏感性和特异性分别为98.7%和100%，优于三名手外科医生。在复杂肱骨近端骨折检测中，AI同样优于全科医生和非专科骨科医生。此外，AI辅助阅读显著提升医生诊断敏感性（提高10.4%）并减少阅片时间（每例节省6.3秒）。

手术结果预测

24项研究探索AI预测上肢手术结果的能力，主要集中在肩关节置换术（TSA），尤其是解剖型（ASA）和反式（RSA）肩关节置换。研究多采用回顾性设计，测试多种语言学习模型（LLMs），输入变量包括患者病史、人口统计学、疼痛与功能评分、影像学数据（X光、CT）及实验室值。

AI模型在预测术后功能改善、患者满意度、并发症风险等方面表现出高精度（AUC 0.71–0.94）。一项研究仅用19个术前变量即实现92.9%的准确度（AUC 0.875），预测TSA后多项临床结果，减少了数据输入负担。

测量工具

16项研究应用AI于自动化运动分析和物理评估，涉及肩关节活动度（ROM）、手势、握力和拇指对掌等功能测量。6项研究利用智能手机和智能手表等便捷设备，实现旋转袖损伤和神经功能障碍的精准分类（准确度超90%）。一项研究通过AI姿态估计测量肩关节内外旋，与传统角度计测量相比，相关系数达0.971，平均绝对误差仅为5.778°。

假肢应用

假肢控制是AI在上肢外科中最早探索的领域之一（2009年首次研究），16项研究聚焦表面肌电图（sEMG）为基础的肌电控制。AI通过模式识别算法实现精细化的自适应肌电控制，帮助上肢截肢者完成更协调、自然的运动。部分研究结合实时超声反馈，达到与肌电图模型相当的精度。机器学习增强的肌电控制系统显著缩短反应时间并提高假肢手抓取精度。

术中AI应用

12项研究探讨AI在术中的应用，包括机器人辅助手术、实时细菌识别和自动器械跟踪。多数研究仍处于实验室阶段，未在实际手术中验证概念。一项研究显示AI细菌识别系统在5小时内检测出骨髓炎病原体，远快于传统微生物培养。另一研究证明AI辅助术中软组织肉瘤分类准确率超85%，优于传统H&E染色冷冻切片。

AI增强的机器人手术在三项研究中显示自主控制的手术摄像头可改善可视化、减少不必要的移动并提升手术效率。此外，AI还用于术中医师分心监测、实时检测外周插入中心导管（PICC）尖端及手势控制无菌导航系统等。

临床决策支持工具

6项研究将AI用作临床决策支持工具（CDST），涉及诊断指导、治疗计划和患者教育。两项研究评估ChatGPT在上肢疾病诊断中的能力，其在肩肘病例中正确诊断和管理建议的比例分别为93%和83%，对手腕病理常见问题的回答准确度达4.83分（满分6分）。另一研究开发机器学习算法预测舟骨骨折风险（AUC 0.77），虽未超越经验医师（阴性预测值达96%），但可减少36%的进阶影像需求而不漏诊骨折。

偏倚风险评估

使用QUADAS-2工具评估诊断准确性研究（28项），15项存在高总体偏倚风险，10项低风险，3项不明确。使用PROBAST工具评估预测模型研究（90项），53项为高风险，37项低风险，无不确定风险。这些评估揭示了研究方法学质量及潜在局限性。

讨论

AI的快速发展重塑了骨科多个领域。尽管机器学习在截肢者肌电控制中已有十多年应用，但过去两年AI在上肢外科的应用呈现爆发式增长，反映出模型复杂度的提升及其在提升诊断精度、优化手术流程和改进患者结果方面的潜力。

影像分析是AI最直接展现价值的领域，AI模型在骨折检测、解剖角度测量和软组织病理识别中常匹配或超越人类表现。AI与医生协同工作可进一步提升诊断敏感性并节省时间。测量工具通过智能手机等设备提供ROM、握力和手部姿势的精准量化，为临床评估和远程监护提供经济高效的解决方案。

术前预测中，AI整合人口统计学、临床和影像数据， Forecast术后ROM、并发症风险和患者满意度。部分研究发现AI用更少输入变量即可实现相似预测精度，减轻数据收集负担的同时提供可行见解。术中应用虽多处于实验阶段，但已在机器人手术、微生物识别和器械跟踪中显示潜力，如AI识别感染可将结果等待时间从数天缩短至数小时。

然而，AI整合面临伦理挑战，尤其是算法偏见问题。若训练数据缺乏少数群体代表，AI可能在诊断和治疗规划中表现不佳，加剧健康 disparities。此外，AI系统常作为“黑箱”运行，影响医患信任。需通过多样化数据集、定期性能审计和可解释性方法确保公平性。

实施障碍包括监管延迟（如FDA审批流程）、培训不足（骨科医生缺乏AI教育）及基础设施限制。法律责任问题也待解决——AI辅助诊断或治疗出错时，责任应归开发者、医生还是监管机构尚无定论。

结论

AI通过提升诊断准确性、手术精度、假肢控制及个性化预测，正在改变上肢外科实践。未来工作应聚焦现实世界应用优化、伦理与监管问题解决以及 clinician 和患者的AI素养培养。AI应辅助而非取代医生 expertise，需直观界面、针对性培训和实时可解释性以建立信任。随着技术进步，AI有望革命性提升骨科手术，推动患者护理、手术效率及临床决策的持续改进。