人工智能全自動肋骨骨折檢測系統(tǒng)診斷效能研究

徐傳冰，張琪，趙佳，楊慕男

（牡丹江醫(yī)學院附屬第二醫(yī)院 影像科，黑龍江 牡丹江 157000）

0 引言

不論是閉合性損傷或開放向損傷，肋骨骨折的出現(xiàn)都是最為常見的損傷，約占胸部外傷的90%，占所有身體創(chuàng)傷性疾病的12%[1-2]。半數(shù)左右的胸部鈍器傷患者伴有肋骨骨折，多發(fā)性的肋骨骨折常常伴有更為嚴重的并發(fā)癥例如氣胸、血氣胸、心包損傷、連枷胸以及創(chuàng)傷性的濕肺[3-5]。尤其是老年人，骨質(zhì)脆性增加而彈性減弱，多發(fā)的肋骨骨折和嚴重的并發(fā)癥往往引起在院時間延長、預(yù)后不良、畸形愈合甚至呼吸衰竭、休克或者死亡。

CT掃描是臨床用以識別胸部損傷及定位肋骨骨折的有效工具，然而，肋骨數(shù)量眾多，具有形態(tài)變化和混雜的結(jié)構(gòu)，并且由于肺部損傷患者往往屏氣不良致使圖像出現(xiàn)呼吸運動偽影[6-8]。因此放射科醫(yī)生很難快速而又準確無誤地對肋骨骨折定位進行診斷，尤其對于初級放射科醫(yī)生來更為困難。有研究報告CT圖像的肋骨骨折漏診率甚至超過17%，這可能導(dǎo)致患者預(yù)后不良和醫(yī)患糾紛[9]，因此有必要提高臨床診斷準確率，降低漏診率。隨著胸部多層螺旋CT掃描技術(shù)的發(fā)展及其臨床應(yīng)用的普及性增加，肋骨骨折的檢出率明顯上升[10-12]，然而在數(shù)百張薄層CT圖像上檢查24根肋骨的骨折既費事又費力，并且這些肋骨在CT掃描的圖像上被截斷成為一個小的肋骨斷面，不論在軸位圖像還是在冠狀位、矢狀位圖像上都難以同時對一根或多根肋骨做全面系統(tǒng)的評價。CT掃描后處理技術(shù)被廣泛應(yīng)用于肋骨骨折的輔助診斷中，然而肋骨骨折患者往往是急診就診，龐大的數(shù)據(jù)處理檢查和后處理技術(shù)使得影像診斷診斷工作變得冗長，同時也為患者及其家屬增加了醫(yī)療負擔，因此，及時有效地為患者提供精準、快速、低廉、無創(chuàng)并且具有魯棒性的檢查措施和手段是臨床診療急需的。

目前，卷積神經(jīng)網(wǎng)絡(luò)（convolutional neural networks，CNN）是一類包含卷積計算且具有深度結(jié)構(gòu)的前饋神經(jīng)網(wǎng)絡(luò)（feedforward neural networks），是深度學習（deep learning）的代表算法之一[13-14]，因其有助于準確診斷、減少醫(yī)療錯誤和提高生產(chǎn)力而被廣泛應(yīng)用于醫(yī)療領(lǐng)域。此外，CNN也已成功應(yīng)用于胸部CT，例如肺結(jié)節(jié)[15-16]、癌或肺結(jié)核[17-18]的自動分類。深度卷積神經(jīng)網(wǎng)絡(luò)的出現(xiàn)提高了診斷準確率，明顯縮短了診斷時間。幾項研究[19-21]表明深度卷積神經(jīng)網(wǎng)絡(luò)在檢測平片和CT上的裂縫方面具有很高的準確性。人工智能是指利用計算機自動處理和分析信息并模擬人類智能的科學技術(shù)。

人工智能全自動診斷系統(tǒng)是基于深度卷積神經(jīng)網(wǎng)絡(luò)技術(shù)進行自動化處理和分析信息并根據(jù)數(shù)模轉(zhuǎn)換提供有效的數(shù)值分析的科學技術(shù)。深度學習是人工智能的一個分支，其中深度卷積神經(jīng)網(wǎng)絡(luò)算法具有圖像識別、分割、檢測、檢索和分類等功能，已經(jīng)被廣泛應(yīng)用于二維圖像處理、 模式識別、機器視覺等領(lǐng)域，并能很好地解決相關(guān)問題。多項研究表明深度卷積神經(jīng)網(wǎng)絡(luò)技術(shù)在肺部結(jié)節(jié)、胸部平片以及頭部血腫方面都有良好的表現(xiàn)[22]。本研究應(yīng)用人工智能骨折輔助診斷軟件對胸部CT掃描圖像進行檢測和處理，幫助放射科醫(yī)生快速、準確、高效形成對肋骨骨折的評估，提高診斷效率和效能。

1 資料與方法

1.1 數(shù)據(jù)收集

搜集本院2020年8月至2021年8月因胸部損傷行急診CT掃描的患者共384例。患者入組篩選標準：①年齡18周歲及以上；②首診原因為急診胸部外傷而行CT檢查；③數(shù)據(jù)資料完整。患者排除標準：①圖像質(zhì)量不佳難以識別；②合并肋骨先天性疾病；③合并其他疾病導(dǎo)致病理性骨折；④肋骨陳舊性骨折；⑤病史資料不全。

1.2 CT數(shù)據(jù)采集

采用東軟NeuViz 128精睿CT層進行患者圖像采集。具體掃描參數(shù)如下：患者采取仰臥位、頭先進、雙臂上舉。掃描前先攝取胸部正位定位圖像，掃描范圍自胸廓入口到雙側(cè)肋下緣，在定位圖上選取掃描范圍，從肺尖至雙側(cè)第十二肋游離緣，由上而下進行連續(xù)掃描。管電壓120kV，管電流270～560mA，層厚0.625mm，矩陣512×512，建像視野360mm。

掃描前呼吸訓練：CT掃描前對病人進行屏氣訓練，針對不同患者進行屏氣配合支持評估。向病人說明掃描流程并取得病人的合作，保持在深吸氣末屏氣狀態(tài)下對患者進行掃描評估，無法合作配合的病人，請其進行平靜胸式呼吸，不用腹式呼吸，盡量減少呼吸運動帶來的偽影。

一次屏氣完成所有全肺掃描，避免呼吸偽影和漏掃現(xiàn)象，減少病變漏診。所有掃描數(shù)據(jù)均上傳至PACS系統(tǒng)內(nèi)進行掃描后評估。

1.3 骨折定義及分類

完全性骨折定義為骨質(zhì)斷裂處貫穿局部骨質(zhì)，往往伴有局部的移位、成角、多發(fā)的骨碎皮等；不完全骨折定義為骨折處骨質(zhì)結(jié)構(gòu)未完全中斷，肋骨一側(cè)皺褶、凹陷、劈裂等。研究前對所有放射科評估人員進行統(tǒng)一培訓，對操作具體流程、記錄方法、分類標準進行統(tǒng)一指導(dǎo)，以避免由于診斷標準不一致造成結(jié)果偏倚。

1.4 放射科醫(yī)生閱片流程

由本院4名副高級放射科醫(yī)生進行肋骨骨折評估，定位骨折后進行圖像標記，并對骨折部位進行記錄和對骨折進行計數(shù)。由6名主治醫(yī)生對肋骨骨折數(shù)據(jù)進行閱讀，384例患者數(shù)據(jù)隨機分為兩組，一組數(shù)據(jù)用于醫(yī)生獨立判讀，另一組數(shù)據(jù)為人工智能全自動軟件聯(lián)合判讀，所有閱片內(nèi)容均就肋骨骨折定位及分類進行評估，并對圖像進行標記。

1.5 人工智能全自動診斷軟件

本研究使用的人工智能全自動軟件為深睿Doctor Wise 肺部全科軟件。該軟件可用于胸部外傷患者的疾病診斷和定位，并且對嚴重并發(fā)癥例如氣胸、血氣胸等進行危急值預(yù)警。通過將患者Dicom數(shù)據(jù)傳至數(shù)據(jù)云平臺，同步提供肋骨骨折的定位標記、勾勒及三維重建等。同時完成簡要結(jié)構(gòu)性報告數(shù)據(jù)值，醫(yī)生閱讀時可在報告系統(tǒng)直接接受人工智能分析結(jié)構(gòu)，必要時進行數(shù)據(jù)修改，自動生成圖文報告。具體模塊如下

（1）自動檢出模塊：①系統(tǒng)自動識別肺部可疑征象，顯示標記列表；②系統(tǒng)可識別的征象包括結(jié)節(jié)與腫塊、肺部實變影、肺氣腫、條索影、胸膜增厚、胸腔積液、磨玻璃密度影、肺大皰、支氣管擴張、氣胸和網(wǎng)格影及骨折。

（2）自動定位模塊：①根據(jù)醫(yī)生的需要和應(yīng)用場景，對檢出征象進行定位；②肺部病灶支持定位到肺葉、肺段，胸膜、骨病灶支持定位到左、右側(cè)。

（3）嚴重疾病警告模塊：對于氣胸、胸腔積液這類臨床醫(yī)生需要第一時間進行評估處理的病灶，系統(tǒng)檢出后會通過紅框展示的視覺方案進行提示與警告。

（4）智能多維度MPR顯示模塊：通過橫軸位、冠狀位、矢狀位之間的聯(lián)動展示，分析一個病灶在三個不同平面的位置和形態(tài)以及與周圍組織結(jié)構(gòu)的關(guān)系。

（5）智能多維度MaxIP及MinIP顯示模塊：MaxIP可以選擇性地采用不同層厚重建，以更好地顯示肺部病灶與周圍組織的關(guān)系，為臨床診斷提供更多診斷信息。

（6）肋骨的自動計數(shù)模塊：①自動切換骨窗并對圖像上肋骨進行計數(shù)；②骨折自動檢出并在相應(yīng)VRT圖像上對應(yīng)顯示。

（7）快捷鍵自定義設(shè)置模塊：①支持鼠標左/右鍵操作功能的自定義設(shè)置；②支持顯示/隱藏AI結(jié)果、顯示/隱藏輪廓、刪除結(jié)節(jié)、播放/暫停、上/下一個結(jié)節(jié)、放大鏡、窗寬窗位切換的快捷鍵自定義設(shè)置。

（8）智能隨訪模塊：①自動發(fā)現(xiàn)并提示歷史檢查信息；②自動關(guān)聯(lián)病灶；③自動病灶分析；④圖表式、表格式分析展示隨訪結(jié)果。

（9）圖文報告模塊：自動生成圖文結(jié)構(gòu)化報告；提供個性化設(shè)置。

1.6 統(tǒng)計學分析

對研究數(shù)據(jù)進行收集，采用SPSS 20.0統(tǒng)計學軟件進行統(tǒng)計學分析，計數(shù)資料采取[n（%）]表現(xiàn)，比較采用卡方檢驗，取P＜0.05為差異具有統(tǒng)計學意義。

2 結(jié)果

2.1 臨床資料

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

2.2 判讀效果評價

經(jīng)過比較，AI+醫(yī)生聯(lián)合判讀對肋骨骨折的診斷準確度、靈敏度、陰性預(yù)測值均明顯高于醫(yī)生獨立判讀結(jié)果，組間比較差異具有統(tǒng)計學意義（P＜0.05），見表1。

表1 醫(yī)生獨立判讀與AI+醫(yī)生聯(lián)合判讀診斷價值比較（%）

3 討論

創(chuàng)傷是目前導(dǎo)致死亡的最重要的健康問題之一，道路交通事故仍然是胸部損傷的主要病因，多見于中年男性，大約25%的創(chuàng)傷相關(guān)死亡與胸部創(chuàng)傷有關(guān)。胸部外傷往往并發(fā)肋骨骨折并伴有其他器官系統(tǒng)損傷。即使損傷通常是由于低沖擊創(chuàng)傷機制引起，比如跌落傷等，但肋骨骨折仍舊和患者的發(fā)病率和死亡率顯著相關(guān)。肋骨骨折患者的臨床病程通常是由于肺水腫或者肺炎引起的呼吸功能不全引起的，有研究報道，高達12%的外傷性肋骨骨折患者會在損傷的急性期或亞急性期面臨死亡，超過半數(shù)的患者最終需要經(jīng)歷重癥監(jiān)管護理和手術(shù)治療。肋骨骨折的常見并發(fā)癥包括氣胸、血氣胸、心包填塞、肺挫裂傷、肺不張、皮下氣腫等，嚴重者會出現(xiàn)連枷胸、失血性休克、心血管損傷以及實性和空腔臟器，甚至心肺功能衰竭。

無論是臨床檢查還是X線成像都不是診斷肋骨骨折的理想選擇，標準的后前位胸片具有特異性，但是敏感性極低，而臨床檢查敏感性較高，特異性較低，肋骨的X線平片往往很難向診斷提供更為有效的信息。標準的胸片往往作為檢測肋骨骨折的初步診斷測試，但是肋骨檢查陰性結(jié)果并不能改變簡單病例的治療管理。超聲學檢查也可以用于評估胸部創(chuàng)傷以及其他并發(fā)癥，但是診斷時長較高，并且因由操作者的診斷水平不同存在診斷陽性率偏倚。核醫(yī)學骨掃描對檢測肋骨骨折很敏感，但不具有特異性，并且惡性腫瘤患者伴有骨侵蝕或者轉(zhuǎn)移者可能會出現(xiàn)過診。此外，已知惡性腫瘤和良性肋骨骨折的患者在F18-FDG PET/CT研究中會出現(xiàn)假陽性結(jié)果。

多排螺旋CT可以提供更為準確的評估，盡管CT肋骨骨折檢測敏感性的增加并不一定會改變無肋骨骨折伴隨傷患者的治療方案和臨床結(jié)果，但是肋骨骨折的數(shù)量、部位和類型確實與預(yù)后結(jié)局緊密相關(guān)。然而在臨床實際工作中發(fā)現(xiàn)，常規(guī)CT掃描后進行醫(yī)生獨立判讀的效果往往不佳，誤診和漏診事件時有發(fā)生，影響了患者的治療和預(yù)后，因此更為準確、高效、敏感、快速的肋骨骨折判讀及定位方式成為臨床研究的重點。人工智能肋骨骨折輔助診斷系統(tǒng)能夠在數(shù)據(jù)上傳后瞬息對數(shù)據(jù)進行解離分析，并且提供具有魯棒性的定性診斷，同時對于肋骨骨折部位進行勾勒，提供了直觀可感的數(shù)據(jù)體驗；人工智能肋骨骨折輔助診斷+醫(yī)生判讀能夠?qū)⑷斯ぶ悄艿牟黄＞搿⒖焖佟⒖蓮?fù)性、標準化與醫(yī)生的精準、靈活、邏輯、臨床經(jīng)驗相結(jié)合，提供高效的診斷模型。

4 結(jié)語

本研究組間比較顯示，人工智能全自動后的診斷效能明顯提高，其診斷準確度、靈敏度和特異度均明顯高于醫(yī)生獨立判讀，提示人工智能全自動診斷有助于提高CT對于肋骨骨折的診斷價值。由于肋骨呈插兜樣自后方斜向前下方走形，常規(guī)CT橫斷位、冠狀位及矢狀位都很難完成對整根肋骨的全程觀察，雖然應(yīng)用三維重建或者多平面重組技術(shù)能夠排除重疊因素的干擾，較為清晰地顯示骨折的部位、數(shù)量等，但是普通CT不能夠進行骨折的精準定量和定位，同時骨折患者往往為急診就診，并且危殆，但是反復(fù)的圖像重建觀察需要大量的時間和精力。人工智能全自動診斷能夠從多方位、多平面、多窗寬對胸部損傷患者數(shù)據(jù)進行判讀，通常能夠得到較好的診斷數(shù)據(jù)，同時擬定標準化結(jié)構(gòu)報告，同步于臨床診療。

綜上所述，人工智能全自動輔助診斷系統(tǒng)能夠顯著提高CT對于肋骨骨折的檢出率，提高診斷的準確性，節(jié)約診斷時長，值得臨床推廣應(yīng)用。