分析人工智能技术在多层螺旋CT中诊断肋骨骨折的效能价值

刘悦 沈阳市骨科医院放射线科 （辽宁 沈阳 110044）

内容提要： 目的：探讨人工智能（AI）肋骨骨折检测系统在多层螺旋CT中提高诊断肋骨骨折效能方面的作用。方法：选取2021年5月～2022年5月沈阳市骨科医院经64排螺旋CT扫描的50例肋骨骨折阳性和50例肋骨骨折阴性的患者作为观察对象，然后分别运用AI影像分析系统（AI组）、人工组及人工+AI组对比分析肋骨的特征，得出肋骨骨折的数量，然后统计三组诊断肋骨骨折的检出时间，假阳性率，敏感性和准确率。结果：AI检测出肋骨骨折的平均时间为（63±18）s，假阳性率4.56%，敏感性87.75%，准确率95.13%；人工检测出肋骨骨折的平均时间为（203±68）s，假阳性率1.30%，敏感性84.69%，准确率97.91%；AI辅助人工检测出肋骨骨折的平均时间为（136±28）s，假阳性率0.96%，敏感性92.85%，准确率98.79%。结论：AI技术在肋骨骨折中具有较高的敏感性和诊断准确率，虽然存在一定的假阳性率，但可以辅助人工，减少阅片时间，在提高诊断质量和工作效率上效果显著。

肋骨骨折是临床工作中比较常见的胸部创伤，及时准确的诊断不仅对患者的治疗和预后有很重要的价值，同时可以为法医鉴定提供重要的指标，并能减少医疗纠纷的发生[1]。由于X射线检查为重叠影像，并且和投照角度有很大的关系，导致诊断效能较低，有研究报道称漏诊率达到50%[2]。因此，多层螺旋CT成为胸部创伤最主要的影像学检查方法，由于扫描层厚越来越薄，同时图像的大量增多，造成诊断医师的工作量剧增，当工作一定时间后就会造成视觉疲劳，并且医师的诊断水平不一，就会出现一定的肋骨骨折的漏诊和误诊[3]。近年来计算机技术的快速发展，人工智能（Artificial Intelligence，AI）深度学习模型的建立，AI诊断肺内结节和预测良恶性技术已广泛应用于临床，但应用于AI技术诊断肋骨骨折的相关报道不多，本文通过对50例肋骨骨折阳性和50例肋骨骨折阴性的患者计算机体层成像（Computed Tomography，CT）图像进行分析，探讨AI技术在肋骨骨折诊断中的价值，旨在提高肋骨骨折诊断的效能，现报道如下。

1.资料与方法

1.1 临床资料

回顾性分析2021年5月～2022年5月沈阳市骨科医院经64排螺旋CT扫描肋骨骨折阳性的患者50例和肋骨骨折阴性的患者50例临床资料，其中，肋骨骨折阳性患者中女性20例，男性30例，年龄28～69岁，平均（43.2±3.6）岁；肋骨骨折阴性患者中女性22例，男性28例，年龄25～67岁，平均（48.5±5.3）岁。本次研究经过医院伦理委员会监管。

纳入标准：①所有患者均有胸部外伤史；②胸部压痛；③患者能配合医生完成检查，影像及临床资料完整。排除标准：①年龄＜18岁；②意识不清，不能配合，图像质量不佳。

1.2 方法

1.2.1 多层螺旋CT检查

选取西门子128排螺旋CT扫描机，扫描时患者采用仰卧位，头先进，双手抱头，（如不能抱头者患侧肢体置于身体侧面），扫描范围胸廓入口至第12肋骨下缘，保证包括肋骨全部。管电压120kV，管电流240mAs，层厚及层间距均为5mm，矩阵512×512，视野40cm×40cm，采用骨窗图像（窗宽1300～1500，窗位300～450）。扫描结束后用0.625mm层厚及间隔重建，再进行图像后处理。

1.2.2 肋骨骨折检测

采用基于自适应3D-CNN（3D深度学习模型）技术的深睿医疗AI影像辅助筛查系统，（V1.3.0.1，杭州深睿博联科技有限公司）将100例患者的薄层重建数据导入工作站，自动得出肋骨骨折阳性患者的部位和数量。

1.3 观察指标

人工由3名主治医师单独阅片，年资分别为5、8、10年，阅片的过程可根据需要调整窗宽和窗位，利用计算机软件容积再现、多平面重组等，最后得出三组数据的平均值，统计人工和AI检测出肋骨骨折的假阴性及假阳性数、平均检测时间，根据肋骨骨折的确诊结果进行分析，对比AI和人工对肋骨骨折检出的假阳性率和灵敏度及准确率。

1.4 统计学分析

2.结果

2.1 一般结果描述

所选病例中50例有肋骨骨折，50例无肋骨骨折，共计肋骨2400根，其中，肋骨骨折98根，无肋骨骨折2302根。

2.2 AI和人工对肋骨骨折检出时间的对比

AI检测时间与患者的扫描和重建层数有关，重建层数越多，时间相应增加，但总体变化不大，平均每例患者检测出肋骨骨折的时间为（63±18）s，人工分析肋骨骨折的变量较多，主要受胸廓结构及病变的位置影响，另外，不同年资的医师对肋骨骨折的诊断用时也大不相同，年资5年医师诊断用时为240～302s，8年医师诊断用时为210～282s，10年医师诊断用时为192～248s，检测每例肋骨骨折的平均时间为（203±68）s，而且诊断时间上在第一小时阅片速度为192～218s，在第一小时阅片速度为202～246s，随着读取数量的增加而诊断时间相应地延长。两者相比，AI在诊断肋骨骨折的时间明显优于人工检测，差异具有统计学意义（P＜0.05）。

2.3 AI和人工对肋骨骨折检出情况对比

AI检测出肋骨骨折假阳性率4.56%，敏感性87.75%，准确率95.13%，人工检测出肋骨骨折假阳性率1.30%，敏感性84.69%，准确率97.91%。AI在诊断肋骨骨折的敏感性略优于人工，准确率与人工相当（χ2=0.144，P＞0.05），差异无统计学意义，但人工在肋骨骨折假阳性率上明显优于AI，差异具有统计学意义（χ2=5.239，P＜0.05），另AI检测错位性骨折准确率为100.00%，骨皮质扭曲的准确率为75.00%。见表1。

表1.三种检查方法对肋骨骨折检出情况对比(n=2400)

3.讨论

肋骨骨折是反映胸部创伤严重程度的一种指标，常由撞击、摔伤、高空坠落及车祸等外力造成[4]。肋骨骨折常伴有肺损伤，如不及时治疗会影响预后甚至生命，另外，在患者之间纠纷上确定是否存在肋骨骨折及骨折数量也非常的关键，因此对肋骨骨折的及时准确诊断有着极其重要的意义。相对于数字X射线摄影的检测，CT可有效地检出肋骨骨折，但与单层CT相比，多层螺旋图像更薄，扫描速度更快，辅助多平面重组、容积再现等后处理技术，在对肋骨的形态分析时，能进行任意平面的图像重建，可以更加立体地多角度细致地分析，但获得清晰图像的同时也会带来图像数量的成倍增加，放射科医生面对大量图像的阅读就会带来视觉疲劳，同时对不完全性骨折的诊断也依赖医师的诊断经验等客观因素，往往就会造成一定的漏诊和误诊，有报道称，人工对肋骨不完全骨折的漏诊率远大于误诊率[5,6]。随着AI诊断系统的应用，人工和AI技术的结合，可以有效降低肋骨骨折的漏诊率，明显提高工作效率[7]。目前，AI在提高肺结节的检查率上报道较多，关于深度学习诊断肋骨骨折多在研究算法和模型的构造上，对肋骨骨折实际应用方面报道较少。本研究是在AI与人工在诊断效能方面进行研究，以期为临床诊断提供一定的依据。

本次研究应用深睿医疗的AI分析软件，采用了3D-CNN（三维卷积神经网络技术），目的探讨AI对肋骨骨折检出的真实数据，结果表明，AI对肋骨骨折的检出时间仅与患者的扫描和重建层数有关，平均每例患者检测出肋骨骨折的时间为（63±18）s，相比人工检测平均每例肋骨骨折的时间为（203±68）s，在时间和效率上有明显的优势，并且AI检测受影响因素较少，不易受体位及病变的复杂程度影响，并且不会产生视觉疲劳。但人工诊断方面随着阅片数量的增多，诊断准确率及速度明显的下降，时间越长发生漏诊的概率明显增高，另发现AI诊断肋骨骨折中假阳性较高，达4.56%，这些骨折多发生在肋骨与前软骨及后椎骨的连接处、另外骨皮质密度不均匀、呼吸伪影、胸膜钙化，肋软骨钙化窦都可以发生。本次AI出现假阴性骨折12处，分析其原因主要有，肋软骨骨折、骨折轻微并且骨折线纤细、骨折愈后向骨髓腔内生长等，这与文献报道基本一致[8,9]。本次还发现AI在错位性骨折的诊断敏感度最高，骨皮质扭曲的诊断率稍低，这与临床工作中医师容易忽略隐匿性骨折的情况相符，可能的原因是大数据模型建立的样本问题。本次研究AI在肋骨骨折的敏感度略高于人工，分析原因2例患者骨折轻微的改变AI直接给予标记，不受外界因素影响，人工读片当时也怀疑是微小骨折，但是在此患者其他肋骨也发现了明显的骨折，认为此处可以忽略，后来重新组织专家复读时也一致认为有骨折的可能，因此表明AI在提示人工方面可以起到重要的作用，同时在准确率上AI与人工相当[10,11]。AI+人工在肋骨骨折的敏感性和准确率都有一定的提升，并且假阳性率有较明显降低，表明人工在AI自动肋骨筛查软件的辅助下可以有效地提高肋骨骨折的诊断效能。

本次研究仅采用了一家AI影像诊断系统，其能力和特点可能与其他公司的影像分析系统存在一定的差异，另外收集的样本量比较少，具有一定的局限性，数据源于单中心，所选的医师是在测试的状态下观察分析影像数据的，与日常工作的环境有一定的差别，另外平时工作中会有不同层次的医师进行肋骨骨折的诊断，导致研究的结果和真实有一定的偏倚[12,13]。以后随着技术的发展，应引进更多的AI分析系统，同时应扩大样本量，获得更准确的结果。因此，在以后的临床工作中，可首先利用AI诊断系统对所有肋骨图像进行初步筛查，对可疑病变进行标注，影像医师可以有针对性地进行二次筛查，重点分析，再结合各种影像重组技术，最后对肋骨是否骨折作出精准的判断，可有效地提高诊断效率和肋骨骨折的检出率[14,15]。

综上所述，AI技术在自动检测肋骨骨折上显示出良好的诊断效能，可以用来辅助人工，在提高工作效率和漏诊率上效果显著，相信随着AI技术的不断完善，将来AI系统会成为诊断肋骨骨折主要依据。