基于深度学习的股骨转子间骨折髓内钉固定术后参数测量研究

doi:10.3877/cma.j.issn.1673-9450.2026.05.002

中华损伤与修复杂志(电子版) ›› 2026, Vol. 21 ›› Issue (05) : 328 -334. doi: 10.3877/cma.j.issn.1673-9450.2026.05.002

论著

基于深度学习的股骨转子间骨折髓内钉固定术后参数测量研究

程开源¹, 梁达豪², 张天运², 王悦², 王浩然², 徐葳³, 李宁¹, 蒋协远¹^,^†(

)

¹　100035　首都医科大学附属北京积水潭医院创伤骨科
²　200003　上海期智研究院
³　100084　北京，清华大学交叉信息研究院

收稿日期:2026-04-23 出版日期:2026-10-01
通信作者: 蒋协远
基金资助:
国家重点研发计划(2024YFC3044700); 北京市博士后科研活动经费

Deep learning-based measurement of postoperative parameters after intramedullary nail fixation for intertrochanteric femoral fractures

Kaiyuan Cheng¹, Dahao Liang², Tianyun Zhang², Yue Wang², Haoran Wang², Wei Xu³, Ning Li¹, Xieyuan Jiang¹^,^†()

¹ Department of Orthopaedics and Traumatology，Beijing Jishuitan Hospital，Capital Medical University，Beijing 100035，China
² Shanghai Qi Zhi Institute，Shanghai 200003，China
³ Tsinghua University Institute for Interdisciplinary Information Sciences，Beijing 100084，China

Received:2026-04-23 Published:2026-10-01
Corresponding author: Xieyuan Jiang

全文 ( ) 下载PDF ( ) 导出引用

引用本文：

程开源, 梁达豪, 张天运, 王悦, 王浩然, 徐葳, 李宁, 蒋协远. 基于深度学习的股骨转子间骨折髓内钉固定术后参数测量研究[J/OL]. 中华损伤与修复杂志(电子版), 2026, 21(05): 328-334.

Kaiyuan Cheng, Dahao Liang, Tianyun Zhang, Yue Wang, Haoran Wang, Wei Xu, Ning Li, Xieyuan Jiang. Deep learning-based measurement of postoperative parameters after intramedullary nail fixation for intertrochanteric femoral fractures[J/OL]. Chinese Journal of Injury Repair and Wound Healing(Electronic Edition), 2026, 21(05): 328-334.

目的

探讨通过深度学习模型测量股骨转子间骨折髓内钉固定术后参数与人工测量的差异。

方法

回顾性纳入2024年1月至12月首都医科大学附属北京积水潭医院创伤骨科收治的符合入选标准的行单侧髓内钉固定的股骨转子间骨折患者150例，其中接受防旋股骨近端髓内钉（PFNA）、Gamma型髓内钉及InterTan型髓内钉固定者各50例。男81例，女69例，年龄（64.1±17.3）岁；左侧79例，右侧71例。分别使用深度学习模型和人工方法测量股骨转子间骨折髓内钉固定术后颈干角、尖顶距（TAD）、股骨内侧皮质支撑情况，并进行比较。采用Bland-Altman方法评估2种测量方法的一致性。

结果

TAD在全部病例及各亚组中，深度学习模型与人工方法测量差异均无统计学意义（P>0.05），总体平均偏移为（-0.21±5.29） mm，Bland-Altman分析显示一致性良好。股骨内侧皮质支撑情况测量总体Kappa值为0.716，其中PFNA组一致性最佳（Kappa=0.803），Gamma型髓内钉组与InterTan型髓内钉组依次为0.675和0.651。深度学习模型测量总体颈干角较人工方法偏高，尤其在InterTan型髓内钉组差异有统计学意义（P<0.001），而在PFNA组与Gamma型髓内钉组差异无统计学意义（P>0.05）。

结论

深度学习模型在TAD、股骨内侧支撑情况以及PFNA型和Gamma型髓内钉固定术后颈干角测量方面与人工方法具有较好的一致性，但InterTan型髓内钉固定术后颈干角测量存在系统性偏倚，提示该模型仍需针对复杂双螺钉构型进一步优化。

关键词: 股骨转子间骨折, 骨折固定术, 深度学习, 计算机视觉, 参数测量

Objective

To investigate the differences between a deep learning model and manual measurement in assessing postoperative parameters of intertrochanteric femoral fractures after intramedullary nail fixation.

Methods

A retrospective study was conducted, including 150 patients with intertrochanteric femoral fractures who met the inclusion criteria and underwent unilateral intramedullary nail fixation at the Department of Orthopaedics and Traumatology, Beijing Jishuitan Hospital, Capital Medical University, from January to December 2024. Among them, 50 patients each in the proximal femoral nail antirotation (PFNA), Gamma-type intramedullary nail, and InterTan intramedullary nails groups. There were 81 males and 69 females, aged (64.1±17.3) years; 79 cases were on the left side and 71 on the right. The deep learning model and manual method were used to measure the postoperative neck-shaft angle, tip-apex distance (TAD), and medial femoral cortex support, and the results were compared. Bland-Altman analysis was used to evaluate the agreement between the two measurement methods.

Results

For TAD, there was no statistically significant difference between the deep learning model and manual measurement in all cases and each subgroup (P>0.05). The overall mean difference was (-0.21±5.29) mm, and Bland-Altman analysis showed good agreement. The overall Kappa value for the measurement of medial femoral cortical support was 0.716, with the best agreement in the PFNA group (Kappa=0.803), followed by the Gamma-type intramedullary nail group and InterTan intramedullary nail group (0.675 and 0.651, respectively). The overall neck-shaft angle measured by the deep learning model was higher than that measured by the manual method, especially in the InterTan intramedullary nail group, where the difference was statistically significant (P<0.001), while no statistically significant difference was found in the PFNA group or the Gamma-type intramedullary nail group (P>0.05).

Conclusion

The deep learning model showed good agreement with the manual method in measuring TAD and medial femoral cortical support, as well as postoperative neck-shaft angle in the PFNA and Gamma-type intramedullary nail fixation. However, there was a systematic bias in the measurement of postoperative neck-shaft angle in the InterTan intramedullary nail fixation, suggesting that the model still needs further optimization for complex dual-screw configurations.

Key words: Intertrochanteric femoral fractures, Fracture fixation, Deep learning, Computer vision, Parameters measurement

图1 股骨转子间骨折髓内钉固定术后参数测量示意图。A示颈干角；B示尖顶距正位；C示尖顶距侧位；D示股骨内侧皮质支撑情况

表1 深度学习模型和人工方法测量股骨转子间骨折髓内钉固定术后患者颈干角的比较（

x ¯

±s）

组别	全部病例（n=150）	PFNA组（n=50）	Gamma型髓内钉组（n=50）	InterTan型髓内钉组（n=50）
深度学习模型	131.6°±6.1°	131.6°±6.4°	130.9°±7.0°	132.5°±6.77°
人工方法	128.8°±8.7°	130.8°±6.2°	128.4°±11.0°	127.2°±7.99°
t值	3.169	0.622	1.350	3.550
P值	0.002	0.535	0.181	<0.001

表1 深度学习模型和人工方法测量股骨转子间骨折髓内钉固定术后患者颈干角的比较（

x ¯

±s）

组别	全部病例（n=150）	PFNA组（n=50）	Gamma型髓内钉组（n=50）	InterTan型髓内钉组（n=50）
深度学习模型	131.6°±6.1°	131.6°±6.4°	130.9°±7.0°	132.5°±6.77°
人工方法	128.8°±8.7°	130.8°±6.2°	128.4°±11.0°	127.2°±7.99°
t值	3.169	0.622	1.350	3.550
P值	0.002	0.535	0.181	<0.001

图2 基于X线片采用深度学习模型和人工方法测量股骨转子间骨折髓内钉固定术后患者颈干角的Bland-Altman 分析结果。A示全部150例髓内钉固定患者；B示PFNA组患者50例；C示Gamma型髓内钉组患者50例；D示InterTan型髓内钉组患者50例

表2 深度学习模型和人工方法测量股骨转子间骨折髓内钉固定术后患者尖顶距的比较（

x ¯

±s，mm）

组别	全部病例（n=150）	PFNA组（n=50）	Gamma型髓内钉组（n=50）	InterTan型髓内钉组（n=50）
深度学习模型	22.16±5.38	21.68±4.28	22.05±5.22	22.74±6.48
人工方法	22.37±6.67	23.31±7.12	21.91±6.11	21.87±6.77
t值	0.295	1.388	0.123	0.657
P值	0.768	0.168	0.902	0.513

表2 深度学习模型和人工方法测量股骨转子间骨折髓内钉固定术后患者尖顶距的比较（

x ¯

±s，mm）

组别	全部病例（n=150）	PFNA组（n=50）	Gamma型髓内钉组（n=50）	InterTan型髓内钉组（n=50）
深度学习模型	22.16±5.38	21.68±4.28	22.05±5.22	22.74±6.48
人工方法	22.37±6.67	23.31±7.12	21.91±6.11	21.87±6.77
t值	0.295	1.388	0.123	0.657
P值	0.768	0.168	0.902	0.513

图3 基于X线片采用深度学习模型和人工方法测量股骨转子间骨折髓内钉固定术后患者尖顶距Bland-Altman 分析结果。A示全部150例髓内钉固定患者；B示PFNA组患者50例；C示Gamma型髓内钉组患者50例；D示InterTan型髓内钉组患者50例

表3 深度学习模型和人工方法测量股骨转子间骨折髓内钉固定术后患者股骨内侧皮质支撑情况（n=150）

髓内钉类型	人工方法	深度学习模型			合计
髓内钉类型	人工方法	阴性支撑	中性支撑	阳性支撑	合计
PFNA	阴性支撑	5	1	1	7
	中性支撑	1	21	1	23
	阳性支撑	1	1	18	20
	合计	7	23	20	50
Gamma	阴性支撑	7	1	2	10
	中性支撑	2	11	1	14
	阳性支撑	1	3	22	26
	合计	10	15	25	50
InterTan	阴性支撑	4	1	1	6
	中性支撑	1	12	3	16
	阳性支撑	2	2	24	28
	合计	7	15	28	50
全部髓内钉	阴性支撑	16	3	4	23
	中性支撑	4	44	5	53
	阳性支撑	4	6	64	74
	总计	24	53	73	150

表3 深度学习模型和人工方法测量股骨转子间骨折髓内钉固定术后患者股骨内侧皮质支撑情况（n=150）

髓内钉类型	人工方法	深度学习模型			合计
髓内钉类型	人工方法	阴性支撑	中性支撑	阳性支撑	合计
PFNA	阴性支撑	5	1	1	7
	中性支撑	1	21	1	23
	阳性支撑	1	1	18	20
	合计	7	23	20	50
Gamma	阴性支撑	7	1	2	10
	中性支撑	2	11	1	14
	阳性支撑	1	3	22	26
	合计	10	15	25	50
InterTan	阴性支撑	4	1	1	6
	中性支撑	1	12	3	16
	阳性支撑	2	2	24	28
	合计	7	15	28	50
全部髓内钉	阴性支撑	16	3	4	23
	中性支撑	4	44	5	53
	阳性支撑	4	6	64	74
	总计	24	53	73	150

［1］	Levine AR，Klug T，Cross J，et al. Risk factors for cut-throughs in intertrochanteric hip fracture fixation tip-apex distance （TAD） <10 mm and apex-to-center <4 mm［J］. Injury，2025，56（3）：112205. DOI： 10.1016/j.injury.2025.112205.
［2］	Rogers MJ，King TL，Kim J，et al. Femoral neck shaft angle and management of proximal femur fractures： is the contralateral femur a reliable template？［J］. J Orthop Trauma，2021，35（10）：529–534. DOI： 10.1097/BOT.0000000000002069.
［3］	Shao Q，Zhang Y，Sun GX，et al. Positive or negative anteromedial cortical support of unstable pertrochanteric femoral fractures： a finite element analysis study［J］. Biomed Pharmacother，2021，138：111473. DOI： 10.1016/j.biopha.2021.111473.
［4］	Wei W，Huang Y，Zheng J，et al. YOLOv11-based multi-task learning for enhanced bone fracture detection and classification in X-ray images［J］. J Radiat Res Appl Sci，2025，18（1）：101309. DOI： 10.1016/j.jrras.2025.101309.
［5］	Tan JR，Gao Y，Raghuraman R，et al. Application of deep learning algorithms in classification and localization of implant cutout for the postoperative hip［J］. Skeletal Radiol，2025，54（1）：67-75. DOI： 10.1007/s00256-024-04692-6.
［6］	Wang D，Wu Z，Fan G，et al. Accuracy and reliability analysis of a machine learning-based segmentation tool for intertrochanteric femoral fracture CT［J］. Front Surg，2022，9：913385. DOI： 10.3389/fsurg.2022.913385.
［7］	Aly GH，Marey M，El-Sayed SA，et al. YOLO-based breast masses detection and classification in full-field digital mammograms［J］. Comput Methods Programs Biomed，2021，200：105823. DOI： 10.1016/j.cmpb.2020.105823.
［8］	Su Y，Liu Q，Xie W，et al. YOLO-LOGO： a transformer-based YOLO segmentation model for breast mass detection and segmentation in digital mammograms［J］. Comput Methods Programs Biomed，2022，221：106903. DOI： 10.1016/j.cmpb.2022.106903.
［9］	Li J，Li S，Li X，et al. Primary bone tumor detection and classification in full-field bone radiographs via YOLO deep learning model［J］. Eur Radiol，2023，33（6）：4237-4248. DOI： 10.1007/s00330-022-09289-y.
［10］	Sahafi A，Koulaouzidis A，Lalinia M. Polypoid lesion segmentation using YOLO-V8 network in wireless video capsule endoscopy images［J］. Diagnostics （Basel），2024，14（5）：474. DOI： 10.3390/diagnostics14050474.
［11］	Gupta T. Fractures and dislocations around the hip［M］. Kumar V，Barik S，Dhatt SS. A quick guide to essential orthopedics. Singapore： Springer，2025：199-209. DOI： 10.1007/978-981-95-2676-5_24.
［12］	张世民，张英琪，李清，等. 内侧皮质正性支撑复位对老年股骨粗隆间骨折内固定效果的影响［J］. 中国矫形外科杂志，2014，22（14）：1256-1261. DOI： 10.3977/j.issn.1005-8478.2014.14.02.
［13］	Schwarz GM，Simon S，Mitterer JA，et al. Can an artificial intelligence-powered software reliably assess pelvic radiographs？［J］. Int Orthop，2023，47（4）：945–953. DOI： 10.1007/s00264-023-05722-z.
［14］	Rafieezadeh D，Khalaji A，Goli A，et al. A comparative study of artifact reduction techniques in metal-implanted CT scans［J］. Int J Physiol Pharmacol，2026，18（1）：1-7. DOI： 10.62347/GFJJ2560.
［15］	Rouzrokh P，Wyles CC，Kurian SJ，et al. Deep learning for radiographic measurement of femoral component subsidence following total hip arthroplasty［J］. Radiol Artif Intell，2022，4（3）：e210206. DOI： 10.1148/ryai.210206.
［16］	Yang W，Ye Q，Ming S，et al. Feasibility of automatic measurements of hip joints based on pelvic radiography and a deep learning algorithm［J］. Eur J Radiol，2020，132：109303. DOI： 10.1016/j.ejrad.2020.109303.

[1]	徐帅娅, 张雨鑫, 王洋, 何琼, 张瑶. ConvNeXt深度学习模型对肝病显著肝脂肪变性的诊断价值[J/OL]. 中华医学超声杂志（电子版）, 2026, 23(01): 15-22.
[2]	程妹, 金亚彬, 马丁瑞, 程昊, 詹玉莲, 周丹. 基于深度学习的MRI图像分析在乳腺癌诊疗中的应用[J/OL]. 中华乳腺病杂志(电子版), 2026, 20(03): 169-173.
[3]	冼明桦, 刘华章, 欧阳兰飞, 谢珍艳, 钟国庆, 林金鹏, 黄星, 黄帅, 谢可乐, 曾东禹, 黄文汉, 李丽萍, 王旭平, 梁会营, 张余. 6自由度步态床旁预测老年患者跌倒风险的应用[J/OL]. 中华关节外科杂志(电子版), 2026, 20(02): 194-205.
[4]	芦铭, 刘波, 钱真, 王瑶, 张艾捷, 王充, 李斌, 栗鹏程, 曹建华, 吕柏蓉, 李孟然, 单祎宁, 金彤雯, 王广志. 基于机器学习与计算机视觉技术的皮瓣移植术后血运监测模型的构建及验证[J/OL]. 中华损伤与修复杂志(电子版), 2026, 21(04): 259-265.
[5]	李雪晴, 罗俊, 徐振铎, 徐奇奇, 吴蔚, 高鹏骥. 基于深度学习的创伤性肝损伤智能诊断与决策支持的研究进展[J/OL]. 中华损伤与修复杂志(电子版), 2026, 21(04): 304-308.
[6]	王晓宇, 雒家玉, 于晓琳. 基于人工智能的新型抗菌肽的筛选、设计和优化[J/OL]. 中华口腔医学研究杂志(电子版), 2026, 20(04): 279-293.
[7]	叶子兴, 李红运, 李英杰, 王娟, 孙玉姣, 王惠珍, 贺蕾, 吕建阳, 张洪波, 张彤彤, 陈雯雯, 杨晓宇, 申川, 纪志刚. 深度学习模型在膀胱镜下膀胱肿瘤分割中的应用[J/OL]. 中华腔镜泌尿外科杂志(电子版), 2026, 20(04): 399-406.
[8]	黄楚曦, 吴卓. 人工智能在膀胱癌影像中的应用进展[J/OL]. 中华腔镜泌尿外科杂志(电子版), 2026, 20(03): 241-247.
[9]	黄子强, 马晓璐, 沈浮, 王颢, 邵成伟, 张卫, 陆建平, 陆海迪. 基于磁共振成像的深度学习方法在直肠癌术前TN分期中的应用研究[J/OL]. 中华结直肠疾病电子杂志, 2026, 15(03): 232-243.
[10]	张忠, 王喆, 黄其日麦拉图, 齐岩松. 人工智能在肘关节骨关节炎诊疗中的应用进展[J/OL]. 中华肩肘外科电子杂志, 2026, 14(02): 109-114.
[11]	刘改梅, 朱彦东, 舒庆. 地舒单抗注射液联合碳酸钙D3片对老年股骨转子间骨折髓内针内固定术后恢复的影响[J/OL]. 中华老年骨科与康复电子杂志, 2026, 12(03): 166-172.
[12]	王晓伟, 杨红梅, 孙天胜, 刘智, 刘川, 高杰. 髓内钉治疗老年股骨转子间骨折术后内固定相关并发症预测模型建立与验证[J/OL]. 中华老年骨科与康复电子杂志, 2026, 12(01): 38-46.
[13]	陈小坤, 杜顺达. 影像组学在肝细胞癌中的应用进展及挑战[J/OL]. 中华消化病与影像杂志(电子版), 2026, 16(02): 97-100.
[14]	赵云云, 杜晨, 李惠凯, 庞吉超, 徐鸿昊, 宗琦, 陈倩倩, 令狐恩强. 基于深度学习、影像组学特征及联合特征的超声内镜模型对胃间质瘤与平滑肌瘤的鉴别价值[J/OL]. 中华胃肠内镜电子杂志, 2026, 13(02): 101-107.
[15]	徐林, 简讯, 刘道权, 易东, 鄢华. 人工智能在心脑血管内介入诊疗中的应用进展——从单一影像模式到多模态影像融合[J/OL]. 中华脑血管病杂志(电子版), 2026, 20(03): 334-341.

阅读次数

全文

摘要

选择文件类型/文献管理软件名称

选择包含的内容

Deep learning-based measurement of postoperative parameters after intramedullary nail fixation for intertrochanteric femoral fractures

模态框（Modal）标题

选择文件类型/文献管理软件名称

选择包含的内容

Deep learning-based measurement of postoperative parameters after intramedullary nail fixation for intertrochanteric femoral fractures