骨科AI的现在与未来

人工智能是一个被广泛使用但往往理解不透彻的概念。人工智能指具备问题解决能力且能从经验中学习的计算机系统，其学习模式与人类相似。非生成式人工智能（也称为特定任务型人工智能）已应用数十年，这类人工智能专注于完成特定任务，例如学习下国际象棋、在病理切片中计数有丝分裂细胞等，其核心是优化任务执行能力，而非创造新内容。与之相对，生成式人工智能正成为医疗领域的重要工具，它能够挖掘出人类逻辑难以发现的变量关联与研究结论，实现创新突破，例如 ChatGPT，或是利用包含临床数据、影像学资料、检验结果等的大型未标注数据集，通过无监督学习方法训练模型，预测术后再入院风险等临床结局。

机器学习是人工智能的一个分支，是一种利用算法优化数据集预测结果的统计分析方法。理想情况下，机器学习模型会随着数据量的增加和性能的迭代不断优化。机器学习可进一步分为有监督学习和无监督学习。有监督学习利用已标注的数据训练模型，使其能通过输入数据准确预测输出结果，该过程中需人工持续保障数据准确性，引导算法开发。有监督学习可用于分类任务，通过算法将输入数据转化为二分类或有序分类的预测结果（如肿瘤诊断与分期）；也可应用于回归算法，通过数据预测医疗费用等连续型结果。无监督学习则利用未标注数据，在无需人工干预的情况下，挖掘数据集中的潜在模式或聚类特征。例如，有研究利用全膝关节置换术后患者报告结局的未标注数据，通过无监督学习模型将患者分为 5 个亚组，各亚组在人口统计学特征、合并症、疼痛评分上存在差异，且每个亚组的术后患者报告结局均呈现可预测的变化趋势。

深度学习是人工智能的另一独立分支，也是机器学习的延伸，它将多层人工神经元构建为大型人工神经网络，模拟人类大脑的学习方式。每个人工神经元负责判定特定数据输入的权重（重要性），并决定是否将该输入转化为输出传递至下一个人工神经元，这一过程与人类神经元向大脑传递信息的机制相似，众多人工神经元共同构成人工神经网络。当深度学习处理图像、视频等多媒体输入时，这类神经网络被称为卷积神经网络，其可通过训练识别图像/视频的关键特征、判断输入中是否存在特定目标、对输入内容进行分类等。

本文全面综述人工智能在骨科领域当前及未来的临床应用，帮助骨科医疗从业者清晰了解人工智能的现有应用、实际价值及其在推动精准医疗中的潜力；同时探讨若能合理应用人工智能，这些技术进步将如何改善患者诊疗，进而提升骨科患者的整体健康结局。

但相关研究也指出了人工智能的局限性：模型性能与数据集质量密切相关，而数据集质量会受数据收集率、流失率和样本量等因素影响，因此模型可能存在性能偏差等方法学局限性。例如，不同医院（如基层医院与三级医疗中心）的患者人群特征差异较大，可能导致谱偏倚；各机构的检查推荐策略不同，也会影响人工智能工具的性能。随着人工智能在医疗领域的应用探索不断深入，其伦理学、法学和患者安全相关问题也需引起重视。此外，由于各机构对预后因素、混杂变量和临床结局的记录方式存在差异，可能导致人工智能工具的性能参差不齐。

未来，需持续做好准确的数据记录与注册监测，评估他人报道的人工智能应用时保持审慎，提高现有模型报告和方法学实施的透明度，提升所有现有和未来人工智能模型的精度。最后，若用于训练人工智能模型的数据与测试数据高度相似，可能因数据过拟合导致模型性能研究结果失真。相较于拓展应用领域，若要让人工智能技术推动患者诊疗服务的全方位提升，深入理解其局限性与潜在问题，才是关键。