基于传统组学与深度学习融合技术的人工智能模型在鼻骨骨折检测中的应用

杨存，杨磊（通信作者），高丽娟，李英，李晓童，李亮，杨琛腾

1 河北医科大学第二医院 （河北石家庄 050000）；2 河北医科大学（河北石家庄 050000）

鼻骨是面部骨骼的重要组成部分，易发生创伤性骨折[1-2]。鼻骨骨折是耳鼻喉科、急诊科常见的损伤，需早期诊断和准确初始治疗，如治疗不当可能会导致畸形和功能不适。由于鼻骨折诊断需快速、准确以预防鼻畸形，因此需要一种新的快速诊断方法。人工智能（artificial intelligence，AI）已被广泛应用于各种医疗诊断中。目前，越来越多的研究试图使用AI 技术进行骨折检测，作为临床医师的辅助诊断手段。研究显示，应用深度学习方法的AI 技术可通过X 线片诊断踝关节和腕部骨折[3-4]。最近发表的荟萃分析显示，在骨折检测方面临床医师和AI 医师的诊断性能差异无统计学意义，表明AI 技术是一种非常有前景的诊断骨折的辅助手段[5-9]。目前，利用AI 技术提高医师对鼻骨骨折的诊断准确性的相关研究较少。因此，本研究通过建立AI 预测模型，以提高鼻骨骨折诊断准确度。

1 资料与方法

1.1 一般资料

回顾性分析2021 年5 月至2022 年7 月医院收治的252 例行鼻骨多层螺旋CT（multi-slice spiral CT，MSCT）扫描检查的患者资料，其中骨折患者152 例，非骨折患者100 例，患者一般资料统计学特征如表1 所示。随机选取176 例进入训练集（骨折患者106 例，非骨折患者0 例），余76 例数据进入验证集（骨折患者46 例，非骨折患者30 例），分裂率为7∶3。本研究经医院医学伦理委员批准。纳入标准：所有患者均行MSCT 扫描，患者资料完整。排除标准：患者图像存在伪影或不能满足诊断要求。

1.2 方法

所有患者均采用GE 公司OptimaCT660 功能型64 排128 层螺旋CT 机行MSCT 扫描。采用横断位扫描，患者取仰卧位，听眦线垂直扫描床面，扫描范围：眼眶上缘至硬腭水平（包全上颌骨）。扫描参数：层厚5 mm，层间距5 mm，螺距0.934∶1，机架转速0.8 s，FOV 250 mm，重建间隔1 mm。将所得图像传输至ADW4.6 工作站进行图像后处理，采用骨算法重建及软组织算法重建，CT 窗宽为4000 HU，窗位为700 HU。

1.3 模型建设

1.3.1 特征值提取

使用pyradiomics 分析软件提取患者图像传统组学特征。传统组学特征包括一阶统计量特征、空间几何特征、纹理特征、变换特征等，如最小值、最大值、中位数、均值、体积、表面积、球形度、最大直径灰度共生矩阵、灰度行程矩阵等。将3D 数据裁剪成多个2D 截面，使用残差卷积神经网络（ResNet）进行训练，获取深度学习特征。本研究共提取107 个组学特征、2 048 个深度学习特征，见图1。

1.3.2 建立模型

将获取的传统组学特征及深度学习特征进行融合，对特征featurefusion进行正则化（Z-score），将数据服从N（0，1）分布，公式如下。

式中，mean 为特征均值，std 为方差。

使用Spearman相关系数计算特征间的相关性，并用Lasso 进行特征选择（图2）。通过交叉验证筛选出最佳惩罚系数λ，并以训练集数据进行模型训练及AI 测试。

图2 Lasso 特征选择

1.4 观察指标

以临床检查结果作为检测鼻骨骨折的参考标准。通过验证10 名放射科医师（男6 名，女4 名）和10 名临床医师（男7 名，女3 名）分别在AI 辅助下的鼻骨骨折诊断灵敏度和特异度，及AI 辅助医师与仅AI 检测下的准确度。

1.5 统计学处理

采用SPSS 22.0 统计学软件和MedCalc 19.0.5 统计软件包进行数据分析。计数资料以率描述。计量资料以±s描述，采用t检验。计算受试者工作特征曲线（receiver operating characteristic curves，ROC）和曲线下面积（area under the curve，AUC）。P＜0.05为差异有统计学意义。

2 结果

2.1 AI 模型诊断效能

在验证集（骨折患者46 例，非骨折患者30 例）中，通过AI 模型确定假阳性4 例，假阴性7 例，真阴性26 例，真阳性39 例，见表2。AI 模型诊断鼻骨骨折的灵敏度为84.78%，特异度为86.67%，约登指数为0.714，AUC为0.857（95%CI：0.758 ～0.928），见图3。AI 模型诊断的代表性CT 图像如图4 所示。

图3 AI 模型的诊断效能

图4 AI 模型诊断鼻骨骨折典型图像

表2 AI 模型诊断结果

2.2 AI 辅助下的鼻骨骨折诊断灵敏度和特异度

AI 辅助医师阅片的灵敏度、特异度、AUC均高于AI 模型诊断，差异有统计学意义（P＜0.05），见表3。

表3 AI 辅助医师阅片的诊断效能

2.3 AI 辅助医师诊断的增益效果

在AI 辅助下，10 名临床医师的灵敏度平均改善11.65%（95%CI：4.57～18.73，P=0.003），特异度改善16.80%（95%CI：9.02～24.58，P＜0.001），AUC改善0.14（95%CI：0.07～0.21，P＜0.001）。10 名放射科医师的灵敏性平均改善9.32%（95%CI：2.17～16.47，P=0.013），AUC改善0.08（95%CI：0.01～0.16，P=0.033）。虽然在放射科医师中，使用AI 辅助治疗后的特异度更高，但差异无统计学意义（P=0.093），见表4

表4 AI 辅助医师诊断的增益效果

3 讨论

随着科学技术的不断发展，AI 辅助诊断已成为临床的重要工具。Oka 等[6]开发了一种能够利用双平面X 线图像诊断桡骨远端骨折的人工智能系统，发现该系统具有较高的诊断准确率，诊断率为98%。与肢体长骨和扁平骨不同，鼻骨及其相邻血管的解剖结构比较复杂，为人工智能模型的构建带来了挑战。

本研究建立了一个基于传统组学与深度学习融合算法的AI 模型，该模型在识别鼻骨骨折方面具有可接受的诊断效能，可提高放射科医师和临床医师对鼻骨骨折检测的灵敏度和特异度。本研究尚有以下局限性：（1）本研究中的AI 模型训练数据较少。（2）本研究中检测骨折的基本依据是基于资深放射科医师诊断，存在偏倚。虽然高级放射科医师的诊断准确度较高，但检测可能仍包括不正确病例。（3）常规X 线片评估鼻侧壁损伤比鼻骨中线较困难[10-14]。因此，对鼻壁损伤诊断可能有较高的误诊率。本研究并未进行亚组分析来评估AI 辅助阅片在不同类型鼻骨骨折中的诊断效能。（4）未记录医师在AI 辅助下查看CT 图像的阅片时间。缩短阅片时间是人工智能的潜在好处之一[15-21]。因此，未来需进一步研究AI 辅助阅片缩短鼻CT 图像的阅读时间的可行性。

4 结论

基于深度学习算法及传统组学特征的AI 人工智能模型可帮助临床医师和放射科医师提高鼻骨骨折的定位及诊断性能，具有较大的临床应用价值。