人工智能全自动肋骨骨折检测系统诊断效能研究

徐传冰，张琪，赵佳，杨慕男

（牡丹江医学院附属第二医院 影像科，黑龙江 牡丹江 157000）

0 引言

不论是闭合性损伤或开放向损伤，肋骨骨折的出现都是最为常见的损伤，约占胸部外伤的90%，占所有身体创伤性疾病的12%[1-2]。半数左右的胸部钝器伤患者伴有肋骨骨折，多发性的肋骨骨折常常伴有更为严重的并发症例如气胸、血气胸、心包损伤、连枷胸以及创伤性的湿肺[3-5]。尤其是老年人，骨质脆性增加而弹性减弱，多发的肋骨骨折和严重的并发症往往引起在院时间延长、预后不良、畸形愈合甚至呼吸衰竭、休克或者死亡。

CT扫描是临床用以识别胸部损伤及定位肋骨骨折的有效工具，然而，肋骨数量众多，具有形态变化和混杂的结构，并且由于肺部损伤患者往往屏气不良致使图像出现呼吸运动伪影[6-8]。因此放射科医生很难快速而又准确无误地对肋骨骨折定位进行诊断，尤其对于初级放射科医生来更为困难。有研究报告CT图像的肋骨骨折漏诊率甚至超过17%，这可能导致患者预后不良和医患纠纷[9]，因此有必要提高临床诊断准确率，降低漏诊率。随着胸部多层螺旋CT扫描技术的发展及其临床应用的普及性增加，肋骨骨折的检出率明显上升[10-12]，然而在数百张薄层CT图像上检查24根肋骨的骨折既费事又费力，并且这些肋骨在CT扫描的图像上被截断成为一个小的肋骨断面，不论在轴位图像还是在冠状位、矢状位图像上都难以同时对一根或多根肋骨做全面系统的评价。CT扫描后处理技术被广泛应用于肋骨骨折的辅助诊断中，然而肋骨骨折患者往往是急诊就诊，庞大的数据处理检查和后处理技术使得影像诊断诊断工作变得冗长，同时也为患者及其家属增加了医疗负担，因此，及时有效地为患者提供精准、快速、低廉、无创并且具有鲁棒性的检查措施和手段是临床诊疗急需的。

目前，卷积神经网络（convolutional neural networks，CNN）是一类包含卷积计算且具有深度结构的前馈神经网络（feedforward neural networks），是深度学习（deep learning）的代表算法之一[13-14]，因其有助于准确诊断、减少医疗错误和提高生产力而被广泛应用于医疗领域。此外，CNN也已成功应用于胸部CT，例如肺结节[15-16]、癌或肺结核[17-18]的自动分类。深度卷积神经网络的出现提高了诊断准确率，明显缩短了诊断时间。几项研究[19-21]表明深度卷积神经网络在检测平片和CT上的裂缝方面具有很高的准确性。人工智能是指利用计算机自动处理和分析信息并模拟人类智能的科学技术。

人工智能全自动诊断系统是基于深度卷积神经网络技术进行自动化处理和分析信息并根据数模转换提供有效的数值分析的科学技术。深度学习是人工智能的一个分支，其中深度卷积神经网络算法具有图像识别、分割、检测、检索和分类等功能，已经被广泛应用于二维图像处理、 模式识别、机器视觉等领域，并能很好地解决相关问题。多项研究表明深度卷积神经网络技术在肺部结节、胸部平片以及头部血肿方面都有良好的表现[22]。本研究应用人工智能骨折辅助诊断软件对胸部CT扫描图像进行检测和处理，帮助放射科医生快速、准确、高效形成对肋骨骨折的评估，提高诊断效率和效能。

1 资料与方法

1.1 数据收集

搜集本院2020年8月至2021年8月因胸部损伤行急诊CT扫描的患者共384例。患者入组筛选标准：①年龄18周岁及以上；②首诊原因为急诊胸部外伤而行CT检查；③数据资料完整。患者排除标准：①图像质量不佳难以识别；②合并肋骨先天性疾病；③合并其他疾病导致病理性骨折；④肋骨陈旧性骨折；⑤病史资料不全。

1.2 CT数据采集

采用东软NeuViz 128精睿CT层进行患者图像采集。具体扫描参数如下：患者采取仰卧位、头先进、双臂上举。扫描前先摄取胸部正位定位图像，扫描范围自胸廓入口到双侧肋下缘，在定位图上选取扫描范围，从肺尖至双侧第十二肋游离缘，由上而下进行连续扫描。管电压120kV，管电流270～560mA，层厚0.625mm，矩阵512×512，建像视野360mm。

扫描前呼吸训练：CT扫描前对病人进行屏气训练，针对不同患者进行屏气配合支持评估。向病人说明扫描流程并取得病人的合作，保持在深吸气末屏气状态下对患者进行扫描评估，无法合作配合的病人，请其进行平静胸式呼吸，不用腹式呼吸，尽量减少呼吸运动带来的伪影。

一次屏气完成所有全肺扫描，避免呼吸伪影和漏扫现象，减少病变漏诊。所有扫描数据均上传至PACS系统内进行扫描后评估。

1.3 骨折定义及分类

完全性骨折定义为骨质断裂处贯穿局部骨质，往往伴有局部的移位、成角、多发的骨碎皮等；不完全骨折定义为骨折处骨质结构未完全中断，肋骨一侧皱褶、凹陷、劈裂等。研究前对所有放射科评估人员进行统一培训，对操作具体流程、记录方法、分类标准进行统一指导，以避免由于诊断标准不一致造成结果偏倚。

1.4 放射科医生阅片流程

由本院4名副高级放射科医生进行肋骨骨折评估，定位骨折后进行图像标记，并对骨折部位进行记录和对骨折进行计数。由6名主治医生对肋骨骨折数据进行阅读，384例患者数据随机分为两组，一组数据用于医生独立判读，另一组数据为人工智能全自动软件联合判读，所有阅片内容均就肋骨骨折定位及分类进行评估，并对图像进行标记。

1.5 人工智能全自动诊断软件

本研究使用的人工智能全自动软件为深睿Doctor Wise 肺部全科软件。该软件可用于胸部外伤患者的疾病诊断和定位，并且对严重并发症例如气胸、血气胸等进行危急值预警。通过将患者Dicom数据传至数据云平台，同步提供肋骨骨折的定位标记、勾勒及三维重建等。同时完成简要结构性报告数据值，医生阅读时可在报告系统直接接受人工智能分析结构，必要时进行数据修改，自动生成图文报告。具体模块如下

（1）自动检出模块：①系统自动识别肺部可疑征象，显示标记列表；②系统可识别的征象包括结节与肿块、肺部实变影、肺气肿、条索影、胸膜增厚、胸腔积液、磨玻璃密度影、肺大疱、支气管扩张、气胸和网格影及骨折。

（2）自动定位模块：①根据医生的需要和应用场景，对检出征象进行定位；②肺部病灶支持定位到肺叶、肺段，胸膜、骨病灶支持定位到左、右侧。

（3）严重疾病警告模块：对于气胸、胸腔积液这类临床医生需要第一时间进行评估处理的病灶，系统检出后会通过红框展示的视觉方案进行提示与警告。

（4）智能多维度MPR显示模块：通过横轴位、冠状位、矢状位之间的联动展示，分析一个病灶在三个不同平面的位置和形态以及与周围组织结构的关系。

（5）智能多维度MaxIP及MinIP显示模块：MaxIP可以选择性地采用不同层厚重建，以更好地显示肺部病灶与周围组织的关系，为临床诊断提供更多诊断信息。

（6）肋骨的自动计数模块：①自动切换骨窗并对图像上肋骨进行计数；②骨折自动检出并在相应VRT图像上对应显示。

（7）快捷键自定义设置模块：①支持鼠标左/右键操作功能的自定义设置；②支持显示/隐藏AI结果、显示/隐藏轮廓、删除结节、播放/暂停、上/下一个结节、放大镜、窗宽窗位切换的快捷键自定义设置。

（8）智能随访模块：①自动发现并提示历史检查信息；②自动关联病灶；③自动病灶分析；④图表式、表格式分析展示随访结果。

（9）图文报告模块：自动生成图文结构化报告；提供个性化设置。

1.6 统计学分析

对研究数据进行收集，采用SPSS 20.0统计学软件进行统计学分析，计数资料采取[n（%）]表现，比较采用卡方检验，取P＜0.05为差异具有统计学意义。

2 结果

2.1 临床资料

纳入本研究的384例患者中，有肋骨骨折178例，年龄为22～78岁，平均年龄48.43±14.56岁，无骨折患者206例，年龄为18～87岁，平均年龄为43.21±15.32岁，P＜0.05；男240例（62.5%），女144例（37.5%）。

2.2 判读效果评价

经过比较，AI+医生联合判读对肋骨骨折的诊断准确度、灵敏度、阴性预测值均明显高于医生独立判读结果，组间比较差异具有统计学意义（P＜0.05），见表1。

表1 医生独立判读与AI+医生联合判读诊断价值比较（%）

3 讨论

创伤是目前导致死亡的最重要的健康问题之一，道路交通事故仍然是胸部损伤的主要病因，多见于中年男性，大约25%的创伤相关死亡与胸部创伤有关。胸部外伤往往并发肋骨骨折并伴有其他器官系统损伤。即使损伤通常是由于低冲击创伤机制引起，比如跌落伤等，但肋骨骨折仍旧和患者的发病率和死亡率显著相关。肋骨骨折患者的临床病程通常是由于肺水肿或者肺炎引起的呼吸功能不全引起的，有研究报道，高达12%的外伤性肋骨骨折患者会在损伤的急性期或亚急性期面临死亡，超过半数的患者最终需要经历重症监管护理和手术治疗。肋骨骨折的常见并发症包括气胸、血气胸、心包填塞、肺挫裂伤、肺不张、皮下气肿等，严重者会出现连枷胸、失血性休克、心血管损伤以及实性和空腔脏器，甚至心肺功能衰竭。

无论是临床检查还是X线成像都不是诊断肋骨骨折的理想选择，标准的后前位胸片具有特异性，但是敏感性极低，而临床检查敏感性较高，特异性较低，肋骨的X线平片往往很难向诊断提供更为有效的信息。标准的胸片往往作为检测肋骨骨折的初步诊断测试，但是肋骨检查阴性结果并不能改变简单病例的治疗管理。超声学检查也可以用于评估胸部创伤以及其他并发症，但是诊断时长较高，并且因由操作者的诊断水平不同存在诊断阳性率偏倚。核医学骨扫描对检测肋骨骨折很敏感，但不具有特异性，并且恶性肿瘤患者伴有骨侵蚀或者转移者可能会出现过诊。此外，已知恶性肿瘤和良性肋骨骨折的患者在F18-FDG PET/CT研究中会出现假阳性结果。

多排螺旋CT可以提供更为准确的评估，尽管CT肋骨骨折检测敏感性的增加并不一定会改变无肋骨骨折伴随伤患者的治疗方案和临床结果，但是肋骨骨折的数量、部位和类型确实与预后结局紧密相关。然而在临床实际工作中发现，常规CT扫描后进行医生独立判读的效果往往不佳，误诊和漏诊事件时有发生，影响了患者的治疗和预后，因此更为准确、高效、敏感、快速的肋骨骨折判读及定位方式成为临床研究的重点。人工智能肋骨骨折辅助诊断系统能够在数据上传后瞬息对数据进行解离分析，并且提供具有鲁棒性的定性诊断，同时对于肋骨骨折部位进行勾勒，提供了直观可感的数据体验；人工智能肋骨骨折辅助诊断+医生判读能够将人工智能的不疲倦、快速、可复性、标准化与医生的精准、灵活、逻辑、临床经验相结合，提供高效的诊断模型。

4 结语

本研究组间比较显示，人工智能全自动后的诊断效能明显提高，其诊断准确度、灵敏度和特异度均明显高于医生独立判读，提示人工智能全自动诊断有助于提高CT对于肋骨骨折的诊断价值。由于肋骨呈插兜样自后方斜向前下方走形，常规CT横断位、冠状位及矢状位都很难完成对整根肋骨的全程观察，虽然应用三维重建或者多平面重组技术能够排除重叠因素的干扰，较为清晰地显示骨折的部位、数量等，但是普通CT不能够进行骨折的精准定量和定位，同时骨折患者往往为急诊就诊，并且危殆，但是反复的图像重建观察需要大量的时间和精力。人工智能全自动诊断能够从多方位、多平面、多窗宽对胸部损伤患者数据进行判读，通常能够得到较好的诊断数据，同时拟定标准化结构报告，同步于临床诊疗。

综上所述，人工智能全自动辅助诊断系统能够显著提高CT对于肋骨骨折的检出率，提高诊断的准确性，节约诊断时长，值得临床推广应用。