| ［1］ |
Jain NB， Wilcox RB 3rd， Katz JN， et al. Clinical Examination of the Rotator Cuff［J］. PM R， 2013， 5（1）：45-56.
|
| ［2］ |
Dang A， Davies M. Rotator Cuff Disease：Treatment Options and Considerations［J］. Sports Med Arthrosc Rev，2018，26（3）：129-133.
|
| ［3］ |
刘蓬然，陆林，霍彤彤，等.人工智能技术在骨科领域中的应用进展［J］.中华骨科杂志，2020，40（24）：1699-1704.
|
| ［4］ |
Karnuta JM， Haeberle HS， Luu BC， et al. Artificial Intelligence to Identify Arthroplasty Implants From Radiographs of the Hip［J］. J Arthroplasty，2021，36（7S） ：S290-S294.e1.
|
| ［5］ |
Minelli M， Cina A， Galbusera F， et al. Correction to：Measuring the critical shoulder angle on radiographs：an accurate and repeatable deep learning model［J］. Skeletal Radiol，2022，51（9）：1905.
|
| ［6］ |
Iio R， Ueda D， Matsumoto T， et al. Deep learning-based screening tool for rotator cuff tears on shoulder radiography［J］. J Orthop Sci，2024 ，29（3）：828-834.
|
| ［7］ |
Kim Y， Choi D， Lee KJ， et al. Ruling out rotator cuff tear in shoulder radiograph series using deep learning：redefining the role of conventional radiograph［J］. Eur Radiol，2020，30（5）：2843-2852.
|
| ［8］ |
Kang Y， Choi D， Lee KJ， et al. Evaluating subscapularis tendon tears on axillary lateral radiographs using deep learning［J］. Eur Radiol，2021，31（12）：9408-9417.
|
| ［9］ |
Hashimoto E， Maki S， Ochiai N， et al. Automated detection and classification of the rotator cuff tear on plain shoulder radiograph using deep learning［J］. J Shoulder Elbow Surg，2024，33（8）：1733-1739.
|
| ［10］ |
Zhao Y， Qiu J， Li Y， et al. Machine-learning models for diagnosis of rotator cuff tears in osteoporosis patients based on anteroposterior X-rays of the shoulder joint［J］. SLAS Technol，2024，29（4）：100149.
|
| ［11］ |
Okuda S ， Fujita D ， Tanaka H ，et al.Detection of Shoulder Rotator Cuff Tears from X-Ray Image by Using Convolutional Neural Network［J］.J Japan Soci Fuzzy Theory Intelligent Informatics，2023， 35（1）：593-597.
|
| ［12］ |
Longo UG， Di Naro C， Campisi S， et al. Application of Machine Learning Algorithms for Prognostic Assessment in Rotator Cuff Pathologies：A Clinical Data-Based Approach［J］. Diagnostics（Basel），2023，13（18）：2915.
|
| ［13］ |
张继民. 基于MSCT 技术对肩关节骨性结构与肩袖损伤的相关性研究［J］. 中国CT 和MRI 杂志， 2018， 16 （9）：137-140.
|
| ［14］ |
Taghizadeh E， Truffer O， Becce F， et al. Deep learning for the rapid automatic quantification and characterization of rotator cuff muscle degeneration from shoulder CT datasets［J］. Eur Radiol，2021，31（1）：181-190.
|
| ［15］ |
Eminian S ， Taghizadeh E ， Truffer O ，et al. Deep Learning for the Automatic Quantification of Rotator Cuff Muscle Degeneration from Shoulder CT Data Sets［J］. Eur Radiol， 2019， 23（S02）：A024.
|
| ［16］ |
Kim KC， Lee WY， Shin HD， et al. Repair integrity and functional outcomes of arthroscopic repair for intratendinous partial-thickness rotator cuff tears［J］. J Orthop Surg （Hong Kong） ，2019，27（2）：2309499019847227.
|
| ［17］ |
Lee KC， Cho Y， Ahn KS， et al. Deep-Learning-Based Automated Rotator Cuff Tear Screening in Three Planes of Shoulder MRI［J］. Diagnostics （Basel） ， 2023，13（20）：3254.
|
| ［18］ |
Lin DJ， Schwier M， Geiger B， et al. Deep Learning Diagnosis and Classification of Rotator Cuff Tears on Shoulder MRI［J］. Invest Radiol，2023，58（6）：405-412.
|
| ［19］ |
Guo D， Liu X， Wang D， et al. Development and clinical validation of deep learning for auto-diagnosis of supraspinatus tears［J］. J Orthop Surg Res，2023，18（1）：426.
|
| ［20］ |
Kim SH， Yoo HJ， Yoon SH， et al. Development of a deep learningbased fully automated segmentation of rotator cuff muscles from clinical MR scans［J］. Acta Radiol，2024，65（9）：1126-1132.
|
| ［21］ |
Yao J， Chepelev L， Nisha Y， et al. Evaluation of a deep learning method for the automated detection of supraspinatus tears on MRI［J］. Skeletal Radiol， 2022，51（9）：1765-1775.
|
| ［22］ |
Esfandiari MA， Fallah Tafti M， Jafarnia Dabanloo N， et al. Detection of the rotator cuff tears using a novel convolutional neural network from magnetic resonance image （MRI） ［J］. Heliyon，2023，9（5）：e15804.
|
| ［23］ |
Johnson PM， Recht MP， Knoll F. Improving the Speed of MRI with Artificial Intelligence［J］. Semin Musculoskelet Radiol，2020，24（1）：12-20.
|
| ［24］ |
Lin DJ， Walter SS， Fritz J. Artificial Intelligence-Driven Ultra-Fast Superresolution MRI：10-Fold Accelerated Musculoskeletal Turbo Spin Echo MRI Within Reach［J］. Invest Radiol，2023 ，58（1）：28-42.
|
| ［25］ |
Kim M， Park H， Kim JY， et al. MRI-based diagnosis of rotator cuff tears using deep learning and weighted linear combinations［C］// Ravikumar P， Zhang T. Machine Learning for Healthcare Conference. Ghent：PMLR， 2020：292-308.
|
| ［26］ |
Ro K， Kim JY， Park H， et al. Deep-learning framework and computer assisted fatty infiltration analysis for the supraspinatus muscle in MRI［J］. Sci Rep，2021，11（1）：15065.
|
| ［27］ |
Riem L， Feng X， Cousins M， et al. A Deep Learning Algorithm for Automatic 3D Segmentation of Rotator Cuff Muscle and Fat from Clinical MRI Scans［J］. Radiol Artif Intell，2023，5（2）：e220132.
|
| ［28］ |
Kim H， Shin K， Kim H， et al. Can deep learning reduce the time and effort required for manual segmentation in 3D reconstruction of MRI in rotator cuff tears？ ［J］. PLoS One，2022，17（10）：e0274075.
|
| ［29］ |
Ro K， Kim JY， Park H， et al. Deep-learning framework and computer assisted fatty infiltration analysis for the supraspinatus muscle in MRI［J］. Sci Rep，2021，11（1）：15065.
|
| ［30］ |
Shim E， Kim JY， Yoon JP， et al. Author Correction：Automated rotator cuff tear classification using 3D convolutional neural network［J］. Sci Rep，2021，11（1）：15996.
|
| ［31］ |
Lee SH， Lee J， Oh KS， et al. Automated 3-dimensional MRI segmentation for the posterosuperior rotator cuff tear lesion using deep learning algorithm［J］. PLoS One，2023，18（5）：e0284111.
|
| ［32］ |
Key S， Demir S， Gurger M，et al. ViVGG19：Novel exemplar deep feature extraction-based shoulder rotator cuff tear and biceps tendinosis detection using magnetic resonance images［J］. Med Eng Phys，2022 ，110：103864.
|
| ［33］ |
Lee K， Kim JY， Lee MH， et al. Imbalanced Loss-Integrated Deep-Learning-Based Ultrasound Image Analysis for Diagnosis of Rotator-Cuff Tear［J］. Sensors （Basel） ，2021，21（6）：2214.
|
| ［34］ |
Lee K ， Yang J ， Lee MH， et al. USG-Net：Deep Learning-based Ultrasound Scanning-Guide for an Orthopedic Sonographer［J］.Springer Cham， 2022：23-32.
|
| ［35］ |
Ho TT， Kim GT， Kim T， et al. Classification of rotator cuff tears in ultrasound images using deep learning models［J］. Med Biol Eng Comput，2022，60（5）：1269-1278.
|
| ［36］ |
Chiu PH， Boudier-Revéret M， Chang SW， et al. Deep Learning for Detecting Supraspinatus Calcific Tendinopathy on Ultrasound Images［J］. J Med Ultrasound，2022，30（3）：196-202.
|
| ［37］ |
Yu L， Li Y， Wang XF， et al. Analysis of the value of artificial intelligence combined with musculoskeletal ultrasound in the differential diagnosis of pain rehabilitation of scapulohumeral periarthritis［J］. Medicine （Baltimore） ，2023，102（14）：e33125.
|
| ［38］ |
Potty AG， Potty ASR， Maffulli N， et al. Approaching Artificial Intelligence in Orthopaedics：Predictive Analytics and Machine Learning to Prognosticate Arthroscopic Rotator Cuff Surgical Outcomes［J］. J Clin Med，2023，12（6）：2369.
|
| ［39］ |
Allaart LJH， Spanning SV， Lafosse L， et al. Machine Learning Consortium. Developing a machine learning algorithm to predict probability of retear and functional outcomes in patients undergoing rotator cuff repair surgery：protocol for a retrospective， multicentre study［J］. BMJ Open，2023，13（2）：e063673.
|
| ［40］ |
费扬.基于影像组学技术的肩袖损伤诊断和肩袖修补术后再撕裂预测模型［D］.杭州：浙江大学，2021.
|
| ［41］ |
Zhang Z， Ke C， Zhang Z， et al. Re-tear after arthroscopic rotator cuff repair can be predicted using deep learning algorithm［J］. Front Artif Intell，2024，29（7）：1331853.
|
| ［42］ |
Cho SH， Kim YS. Prediction of Retear After Arthroscopic Rotator Cuff Repair Based on Intraoperative Arthroscopic Images Using Deep Learning［J］. Am J Sports Med，2023，51（11）：2824-2830.
|
| ［43］ |
Audigé L， Aghlmandi S， Grobet C， et al. Prediction of Shoulder Stiffness After Arthroscopic Rotator Cuff Repair［J］. Am J Sports Med，2021，49（11）：3030-3039.
|
| ［44］ |
Li C， Alike Y， Hou J， et al. Machine learning model successfully identifies important clinical features for predicting outpatients with rotator cuff tears［J］. Knee Surg Sports Traumatol Arthrosc，2023，31（7）：2615-2623.
|
| ［45］ |
Darevsky DM， Hu DA， Gomez FA， et al. A Tool for Low-Cost，Quantitative Assessment of Shoulder Function Using Machine Learning［J］. medRxiv，2023 ，17：2023.04.14.23288613.
|
| ［46］ |
Zhou XY ， Guo Y ， Shen M ，et al.Artificial Intelligence in Surgery［J］.医学前沿：英文版， 2020， 14（4）：14.
|
| ［47］ |
Familiari F， Galasso O， Massazza F， et al.. Artificial Intelligence in the Management of Rotator Cuff Tears［J］. Int J Environ Res Public Health，2022，19（24）：16779.
|
| ［48］ |
Barakat-Johnson M， Jones A， Burger M，et al. Reshaping Wound Care：Evaluation of an Artificial Intelligence App to Improve Wound Assessment and Management［J］. Stud Health Technol Inform，2024，25（310）：941-945.
|
| ［49］ |
Cunha B， Ferreira R， Sousa ASP. Home-Based Rehabilitation of the Shoulder Using Auxiliary Systems and Artificial Intelligence：An Overview［J］. Sensors （Basel） ，2023，23（16）：7100.
|
| ［50］ |
Liao WJ， Lee KT， Chiang LY，et al.Postoperative Rehabilitation after Anterior Cruciate Ligament Reconstruction through Telerehabilitation with Artificial Intelligence Brace during COVID-19 Pandemic［J］. J Clin Med，2023，12（14）：4865.
|
| ［51］ |
Kubota S， Kadone H， Shimizu Y， et al. Robotic Shoulder Rehabilitation With the Hybrid Assistive Limb in a Patient With Delayed Recovery After Postoperative C5 Palsy：A Case Report［J］. Front Neurol， 2021， 12：676352.
|