基于深度學(xué)習(xí)人工智能輔助CT檢測(cè)肋骨骨折的價(jià)值

董浩 經(jīng)齊峰 邱勇剛 汪鑫斌 樓存誠(chéng)

臨床上，胸部外傷中最常見的損傷就是肋骨骨折[1]，可分為完全性骨折和不完全性骨折[2]。薄層CT的廣泛應(yīng)用雖明顯提高了肋骨骨折的檢出率，但漏診現(xiàn)象仍不少見[3]，尤其是一些較為隱匿的不完全性骨折，漏診率比較高，既會(huì)影響患者預(yù)后，也會(huì)引起一些不必要的醫(yī)療糾紛[4]。因此，提高肋骨骨折的診斷準(zhǔn)確率是十分必要的。隨著大數(shù)據(jù)的廣泛應(yīng)用，人工智能（artificial intelligence，AI）技術(shù)愈加成熟，其能夠從影像中提取肉眼容易忽視的信息，進(jìn)而提高影像的診斷價(jià)值[5]。基于深度學(xué)習(xí)的AI肋骨骨折輔助檢測(cè)系統(tǒng)已在臨床開展應(yīng)用，但對(duì)其準(zhǔn)確性的研究報(bào)道較少。本研究旨在評(píng)估AI輔助CT檢測(cè)肋骨骨折的價(jià)值。

1 資料與方法

1.1 臨床資料 選取2020年3月至2020年9月在杭州市蕭山區(qū)第一人民醫(yī)院行肋骨CT檢查的患者156例。（1）納入標(biāo)準(zhǔn)：有明確外傷病史；有雙側(cè)肋骨CT圖像，且為外傷后3周內(nèi)所得；雙側(cè)肋骨至少有1處骨折。（2）排除標(biāo)準(zhǔn)：圖像偽影太重而影響診斷；存在骨質(zhì)破壞或骨腫瘤；存在先天性肋骨發(fā)育不良或畸形。

1.2 檢查方法 應(yīng)用飛利浦Brilliance 64層螺旋CT機(jī)進(jìn)行容積掃描。患者取仰臥位，屏氣，掃描范圍從胸廓入口至第12肋。掃描參數(shù)：120 KV，230 mA，層厚0.625 mm，螺距1.015。將圖像的原始數(shù)據(jù)進(jìn)行重建，重建算法為骨算法，層厚1 mm，間隔1 mm，窗寬1,500 HU，窗位500 HU。

1.3 圖像分析 （1）A組：由低年資醫(yī)師（3～5年）對(duì)156例患者的肋骨CT圖像進(jìn)行單獨(dú)閱片。（2）B組：將156例患者的肋骨CT圖像傳送至AI（北京推想科技有限公司InferRead CT Bone，版本：V9.5），得出自動(dòng)分析結(jié)果。（3）C組：由低年資醫(yī)師結(jié)合AI進(jìn)行綜合閱片。記錄每組的閱片時(shí)間及骨折檢出數(shù)，并對(duì)檢出的骨折類型進(jìn)行分類，最后由兩位從事影像診斷15年以上的副主任醫(yī)師同時(shí)對(duì)156例患者的肋骨CT圖像進(jìn)行閱片分析，意見不一致時(shí)經(jīng)討論后達(dá)成統(tǒng)一診斷結(jié)果，并以此作為金標(biāo)準(zhǔn)。分別計(jì)算A、B、C三組的誤診率、漏診率、敏感度，敏感度=診斷正確數(shù)/骨折總數(shù)×100%，漏診率=漏診數(shù)/骨折總數(shù)×100%，誤診率=誤診數(shù)/檢出數(shù)×100%。

1.4 統(tǒng)計(jì)學(xué)方. 采用SPSS 23.0統(tǒng)計(jì)軟件。計(jì)數(shù)資料以[n（%）] 表示，采用卡方檢驗(yàn)或Fisher確切概率法；計(jì)量資料符合正態(tài)分布以（±s）表示，采用t檢驗(yàn)。以P＜0.05為差異有統(tǒng)計(jì)學(xué)意義。

2 結(jié)果

兩位影像診斷副主任醫(yī)師對(duì)156例患者的肋骨CT圖像進(jìn)行分析，確認(rèn)584處骨折，其中完全性骨折246處，不完全性骨折338處。A組檢出536處，漏診56處，誤診8處；B組檢出576處，漏診26處，誤診18處；C組檢出577處，漏診12處，誤診5處。

2.1 三組對(duì)不同類型骨折診斷準(zhǔn)確數(shù)比較 完全骨折診斷準(zhǔn)確數(shù)，C組＞B組＞A組，但組間兩兩比較差異均無(wú)統(tǒng)計(jì)學(xué)意義（P＞0.05）；不全骨折診斷準(zhǔn)確數(shù)，C組＞B組＞A組，A組與B組、C組比較差異均有統(tǒng)計(jì)學(xué)意義（P＜0.001）。見表1。

表1 三組對(duì)不同類型骨折診斷準(zhǔn)確數(shù)比較（n）

2.2 三組的診斷時(shí)間、敏感度、誤診率、漏診率比較 診斷時(shí)間，A組＞C組＞B組，組間兩兩比較差異均有統(tǒng)計(jì)學(xué)意義（P＜0.001）。敏感度，C組＞B組＞A組；漏診率，A組＞B組＞C組；誤診率，B組＞A組＞C組。敏感度、漏診率組間兩兩比較，差異均有統(tǒng)計(jì)學(xué)意義（P＜0.05）。B組、C組的誤診率比較，差異有統(tǒng)計(jì)學(xué)意義（P＜0.05）。見表2。

表2 三組肋骨骨折檢測(cè)情況比較

3 討論

肋骨骨折是胸部外傷最常見的骨折，若不能及時(shí)發(fā)現(xiàn)則會(huì)增加繼發(fā)相鄰臟器損傷的可能性[6]，而且多發(fā)肋骨骨折常合并肺挫傷及血?dú)庑兀踔習(xí)?dǎo)致胸壁穩(wěn)定性減弱、臟器損傷引起呼吸、循環(huán)功能障礙，致死率高[7]，所以早期準(zhǔn)確診斷肋骨骨折并采取有效的干預(yù)措施意義重大。雖然常規(guī)CT檢查對(duì)肋骨骨折的檢出率明顯優(yōu)于傳統(tǒng)X線檢查，但從數(shù)百?gòu)埍覥T圖像中檢出肋骨骨折會(huì)明顯提升影像科醫(yī)師的工作強(qiáng)度，而且臨床工作中漏診、誤診也時(shí)常發(fā)生[8]。人工智能的出現(xiàn)有利于解決以上這些問(wèn)題，其核心是機(jī)器學(xué)習(xí)，深度學(xué)習(xí)是機(jī)器學(xué)習(xí)的一個(gè)分支。深度學(xué)習(xí)的實(shí)質(zhì)是通過(guò)構(gòu)建含大量隱藏層的機(jī)器學(xué)習(xí)模型和海量訓(xùn)練集來(lái)學(xué)習(xí)更有用的特征，從而提升分類或診斷的準(zhǔn)確性[9]。基于深度學(xué)習(xí)的AI已在眾多醫(yī)學(xué)領(lǐng)域展開研究，在肺結(jié)節(jié)的檢出及良惡性鑒別方面已經(jīng)取得了一些研究成果。

本研究顯示，三組對(duì)完全骨折的診斷準(zhǔn)確率比較差異均無(wú)統(tǒng)計(jì)學(xué)意義（P＞0.05），因?yàn)橥耆钦鄣恼飨笙鄬?duì)明顯，不容易漏診及誤診。三組對(duì)于不全骨折的診斷正確率，A組與B組、C兩組比較差異均有統(tǒng)計(jì)學(xué)意義（P＜0.001），說(shuō)明AI對(duì)不全骨折的診斷效能高于醫(yī)師單獨(dú)閱片，容易漏診的不全骨折大都是隱匿性骨折（圖1a），隱匿性骨折常規(guī)X線檢查一般無(wú)法檢出，在薄層CT上的骨折征象也十分細(xì)微。李三保等[10]研究顯示，線樣增亮征、皮質(zhì)凹陷征、皮質(zhì)翹起征與細(xì)小裂紋征可提示隱匿性肋骨骨折。此外，多層螺旋CT結(jié)合多維重建技術(shù)對(duì)隱匿性肋骨骨折的診斷有一定的價(jià)值[11]。醫(yī)師組的診斷敏感度低于其他兩組，而漏診率較高，可能是因?yàn)橛跋窨漆t(yī)師在大量重復(fù)閱片過(guò)程中不可避免產(chǎn)生了視覺(jué)疲勞，導(dǎo)致肋骨骨折的檢出率下降。人工智能的誤診率高于其他兩組，因?yàn)槿斯ぶ悄苡袝r(shí)會(huì)將肋骨正常解剖誤判為骨折，比如將肋軟骨誤認(rèn)為骨質(zhì)不連續(xù)（圖1b），將肋頭與錐體關(guān)節(jié)面連接處誤認(rèn)為骨質(zhì)斷裂（圖1c），將肋角誤認(rèn)為骨質(zhì)皺褶（圖1d），這也說(shuō)明人工智能的算法還有待完善。C組對(duì)檢出肋骨骨折的敏感度較高，且漏診率和誤診率均較低，不僅提高了骨折檢出的診斷正確率，降低了漏診風(fēng)險(xiǎn)，還彌補(bǔ)了人工智能假陽(yáng)性率較高的缺點(diǎn)。除此之外，人工智能在閱片速度方面較影像醫(yī)師具有很大優(yōu)勢(shì)，完成1例雙側(cè)肋骨CT的閱片平均需要28 s，而醫(yī)師閱片需要時(shí)間約5 min，可見醫(yī)師結(jié)合人工智能明顯提高了影像科醫(yī)師的工作效率和診斷準(zhǔn)確性，值得廣泛推廣。

圖1 a.放射醫(yī)師漏診的隱匿性骨折，AI診斷正確；b.AI將肋軟骨誤判為肋骨骨折；c.AI將肋頭與錐體關(guān)節(jié)面連接處誤判為骨折；d.AI將肋角誤判為骨折

綜上所述，影像醫(yī)師結(jié)合AI可顯著提高對(duì)CT肋骨骨折檢出的診斷效能，尤其不全性肋骨骨折，值得臨床推廣應(yīng)用。不過(guò)，目前AI仍存在一定的誤診率，需進(jìn)一步改善算法以提高特異度。由于該研究樣本量不夠大，而且收集的病例均來(lái)自同一家醫(yī)院，未來(lái)將聯(lián)合多家醫(yī)院進(jìn)行多中心大樣本研究。