人工智能對醫師診斷新鮮肋骨骨折的應用價值

摘要：目的 "探討人工智能（AI）軟件對放射科住院醫師、主治醫師在新鮮肋骨骨折病灶檢出率的差異及其應用AI前后的一致性評價，評估應用AI后各級醫師診斷新鮮肋骨骨折效能的提高情況。方法 "收集因急性胸部外傷行胸部CT掃描病例300例，其中確診為肋骨骨折的152例病例。將6位醫師分為住院醫師組和主治醫師組兩組，3人/組，對隨機分配的300例CT圖像獨立閱片。在間隔為4周的洗脫期后，醫師結合AI第2次閱片。采用卡方檢驗比較兩組醫師對新鮮肋骨骨折病灶及不同類型病灶檢出率的差異，并評價各組應用AI前后的一致性、敏感度、特異度差異。結果 "應用AI后住院醫師、主治醫師對所有新鮮肋骨骨折、完全性骨折、不完全性骨折的檢出率均高于醫師單獨閱片，差異有統計學意義（Plt;0.001）。住院醫師+AI、主治醫師+AI對全部肋骨骨折、不完全性骨折的Kappa值與Phi系數均明顯提高，不完全性骨折提高幅度最顯著。住院醫師+AI、主治醫師+AI檢出新鮮肋骨骨折敏感度與住院醫師、主治醫師單獨閱片的差異有統計學意義（Plt;0.001），特異度的差異無統計學意義。結論 "AI可有效提高不同級別醫師對新鮮肋骨骨折的檢出效能，并提高不同級別醫師之間的一致性、敏感度。

關鍵詞：人工智能；新鮮肋骨骨折；計算機斷層掃描

Application value of artificial intelligence in the diagnosis of fresh rib fractures by physicians

LI Ling， ZHENG Shuangshuang， LIU Li

Department of Radiology， the Affiliated Fuxing Hospital of Capital Medical University， Beijing 100038， China

Abstract： Objective To investigate the difference of detection rate of fresh rib fracture lesions between radiology residents and attending physicians by artificial intelligence （AI） software and the consistency evaluation before and after application of AI， and to evaluate the improvement of efficiency of doctors at all levels in diagnosing fresh rib fractures after applying AI. Methods "A total of 300 patients with acute chest trauma underwent chest CT scan， 152 of which were confirmed to be rib fracture. 6 physicians were divided into resident physician group and attending physician group， with three physicians in each. 300 randomly assigned CT images were reviewed independently. After the washout interval of 4 weeks， the physicians combined with AI read the film for second time. Chi-square test was used to compare the difference in the detection rate of fresh rib fracture lesions and different types of lesions between the two groups， and to evaluate the difference in consistency， sensitivity and specificity before and after the application of AI in each group. Results After applying AI， the detection rate of all fresh rib fractures， complete fractures and incomplete fractures by residents and attending physicians was higher than that by physicians alone， and the difference was statistically significant （Plt;0.001）. The Kappa values and Phi coefficients of all rib fractures and incomplete fractures were significantly improved by residents+AI and attending physicians+AI， and the improvement of incomplete fractures was the most significant. The sensitivity of fresh rib fractures detected by residents+AI， attending physicians+AI were significantly different from that by residents and attending physicians alone （Plt;0.001）， there was no significant difference in specificity. Conclusion AI can effectively improve the detection efficiency of fresh rib fractures among physicians of different levels， and improve the consistency and sensitivity among physicians of different levels.

Keywords： artificial intelligence; fresh rib fracture; computer tomography

單純肋骨骨折是急性胸部創傷后發生率最高的骨折類型，約44%［1］ ，在鈍性外傷中占比更高達55%［2］，是法醫臨床學鑒定有關的胸部骨折中最常見的損傷［3］。肋骨骨折的數量及并發癥與預后相關，根據病情及時選擇正確的治療方法，可達到滿意的效果［4-5］。胸部CT已經成為胸部外傷后常規且必要的檢查方法，可發現胸部X線平片容易漏診的肋骨骨折［6］。但目前醫師對肋骨骨折的誤診漏診率較高［7］。近年來已有應用深度卷積神經網絡模型自動診斷胸部CT肋骨骨折，但DNCC模型僅能診斷肋骨骨折，不能對骨折類型進行區分，且存在一些假陽性和假陰性病例［8-9］。目前已有的評價肋骨骨折一致性報道中只有單組醫師的分析，沒有對不同年資醫師組別間的差異進行分析，也沒有對不同類型骨折的一致性分析［10］。既往缺少對不同年資醫師應用人工智能（AI）軟件診斷不同類型的新鮮肋骨骨折的一致性評價的研究。因此探討應用AI軟件在診斷一致性的前提下提升低中年資醫師的肋骨骨折檢測效能極具臨床意義。本研究旨在評估AI軟件對基層不同級別影像醫師診斷胸部CT新鮮肋骨骨折的應用價值及不同類型新發肋骨骨折病灶檢出率的差異，并對各組醫師應用AI前后診斷肋骨骨折的一致性、敏感度、特異度做出評價。

1 "資料與方法

1.1 "一般資料

回顧性分析我院2022年11月～2023年9月因急性胸部外傷行胸部CT檢查病例300例，其中診斷為肋骨骨折的152例。300例患者中，男性150例，女性150例，年齡21～97（59.1±19.8）歲。圖像納入標準：有急性胸部外傷史；有薄層胸部CT圖像（層厚0.625 mm）；年齡≥18歲。圖像排除標準：陳舊性肋骨骨折；圖像有嚴重的運動偽影或呼吸偽影影響肋骨骨折診斷的病例；病理性肋骨骨折；體外異物偽影干擾。本研究獲得了首都醫科大學附屬復興醫院倫理委員會的批準（批件號：2023FXHEC-KSP020）。

1.2 "檢查方法

所有患者均采用64排螺旋CT（GE Revolution evo CT）進行掃描。掃描體位：仰臥位，上臂上舉（部位患者因外傷無法上舉則自然置于身體兩側），掃描范圍自胸廓入口到第12肋骨下緣水平。掃描參數：管電壓120 kV，使用自動管電流調制技術，噪聲指數NI11（105～60 mA），層厚5 mm，矩陣512×512，使用骨算法重建層厚0.625 mm。

1.3 "參考標準

由3位高年資放射醫師（工作經驗≥20年）分別對肋骨骨折病例進行分析，對每個病例的所有肋骨骨折病灶進行標記，分型，診斷意見不一致的，以2人及以上同意結果作為診斷標準。

骨折根據形態分兩種類型：完全性骨折定義為雙側骨皮質連續性中斷，可伴有斷端移位、成角、嵌插、碎骨片。不完全性骨折定義為骨折線局限于單側骨皮質，或骨折累及雙側骨皮質但未穿透全部骨小梁結構。或僅有一側或雙側骨骨皮質凹陷、外翹。

1.4 "AI流程

本研究使用的AI軟件是北京深睿博聯科技有限責任公司研發的輔助骨折診斷軟件，掃描完成后將經過骨算法重建的薄層圖像發送至深睿AI軟件系統，AI自動對圖像進行后處理及骨折部位標注、類型分析，醫師進行閱片時可同時參考AI肋骨分析結果。

1.5 "閱片

將300例患者隨機分成3組，每組100例。將6名醫師分為2組，分別為3位住院醫師和3位主治醫師，6位影像醫師對每組病例圖像進行隨機閱片。分2次閱片，第1次為3位住院醫師、3位主治醫師在PACS系統通過橫斷薄層圖像單獨閱片，對所有肋骨骨折病例進行分析。在間隔為4周的洗脫期后，住院醫師、主治醫師結合AI軟件提取的肋骨骨折結果進行第2次閱片。各級醫師+AI的閱片過程均為醫師在PACS系統先對薄層圖像進行研判，然后再結合AI檢測結果對肋骨骨折病灶做出判斷。可根據病灶情況結合AI的全肋、單肋分析多角度旋轉觀察及MPR后處理功能（圖1）。

1.6 "有效性評價

將住院醫師、主治醫師、住院醫師+AI、主治醫師+AI的診斷結果與參考標準比對，其結果分為3類。真陽性：各組與參考標準均檢測出某處肋骨骨折病灶。假陽性：各組檢測出肋骨骨折病灶但參考標準未檢出。假陰性：參考標準檢出某處肋骨骨折，但各組未檢出相同部位的肋骨骨折病灶。從患者層面，分別比較住院醫師、主治醫師應用AI前后檢出肋骨骨折病灶的敏感度、特異度。

1.7 "統計學分析

采用SPSS27.0統計學軟件，計量資料以均數±標準差表示，采用配對χ2檢驗比較兩組醫師應用AI前后對新鮮肋骨骨折檢出率、患者層面敏感度及特異度的差異。采用Kappa檢驗與關聯強度Phi系數評價兩組應用AI前后的一致性。Kappa值≤0.4表明一致性很差，0.4lt;Kappa值≤0.6表明一致性中度，0.6lt;Kappa值≤0.75表明一致性較好，Kappa值gt;0.75表明一致性好。關聯強度Phi系數ф，0.3lt;ф值表明相關很弱，0.3lt;ф值lt;0.6表明相關中度，0.6lt;ф值表明相關較強。以Plt;0.05為差異有統計學意義。

2 "結果

2.1 住院醫師與主治醫師診斷效能比較

300例病例中確診肋骨骨折病例152例，3位高年資醫師共檢出新鮮肋骨骨折531處，其中完全性161處，不完全性370處。住院醫師閱片共檢測出新鮮肋骨骨折345處，其中完全性141處，不完全性204處。住院醫師+AI閱片后檢測出487處新鮮肋骨骨折，其中完全性159處，不完全性328處。主治醫師閱片共檢測出新鮮肋骨骨折341處，其中完全性135處，不完全性206處。主治醫師+AI閱片后檢測出492處新鮮肋骨骨折，其中完全性160處，不完全性332處（表1）。

2.2 "骨折病灶檢出率

2.2.1 全部新鮮肋骨骨折病灶（完全性骨折+不完全性骨折）檢出率 " 住院醫師肋骨骨折檢出率為64.97%，住院醫師+AI檢出率為91.71%，差異有統計學意義（Plt;0.001）；主治醫師肋骨骨折檢出率為64.21%，主治醫師+AI檢出率為92.66%，差異有統計學意義（Plt;0.001，表2）。

2.2.2 "完全性肋骨骨折檢出率 " 住院醫師、住院醫師+AI的肋骨骨折檢出率分別為87.58%、98.76%，差異有統計學意義（Plt;0.001）。主治醫師、主治醫師+AI的肋骨骨折檢出率分別為83.85%、99.38%，差異有統計學意義（Plt;0.001，表2）。

2.2.3 "不完全性肋骨骨折檢出率 " 住院醫師、住院醫師+AI的肋骨骨折檢出率分別為55.14%、88.65%，差異有統計學意義（Plt;0.001）。主治醫師、主治醫師+AI的肋骨骨折檢出率分別為55.68%、89.73%，差異有統計學意義（Plt;0.001，表2）。

2.3 "一致性評價

應用AI后全部肋骨骨折的Kappa值明顯提高，完全性肋骨骨折Kappa值變化不明顯，不完全性肋骨骨折的Kappa值提高幅度最大，一致性程度由很差提高到中度。應用AI后全部肋骨骨折的Phi系數明顯提高，完全性Phi系數變化不大，不完全性Phi系數提高明顯，由很弱提高至中度（表3～4）。

2.4 "敏感度、特異度評價

在患者層面，住院醫師、主治醫師應用AI后檢出新鮮肋骨骨折病灶敏感度優于單獨醫師組（97.37% vs 81.58%，Plt;0.001；96.71% vs 80.26%，Plt;0.001），兩組特異度的差異均無統計學意義（P=0.590、0.803，表5）。

3 "討論

肋骨骨折是法醫鑒定胸部外傷中最常見的損傷，X線診斷符合率約80%，CT平掃符合率約95%［11］，胸部CT對肋骨骨折的檢出效能已經得到臨床醫生的充分肯定［12］。由于肋骨特殊的解剖學形態特點，目前醫師對肋骨骨折的誤診漏診率較高［7］，但各種類型肋骨骨折的準確定位、定量涉及司法鑒定的多發當事人切身利益。探討應用AI軟件輔助醫師提高肋骨骨折診斷率、并能有效提高不同年資醫師的診斷結果一致性、敏感性具有實際臨床應用意義。一項對包括肋骨在內的多個骨關節部位的多中心、大樣本的研究結果顯示，AI可有效提高放射科醫師檢測骨折的敏感性并縮短閱片時間［13］。該研究針對所有骨關節部位的AI分析對象均為X線平片，本研究AI軟件的分析圖像均為胸部高分辨薄層CT圖像，能更清晰的顯示病灶，使研究結果更為客觀、精準。既往國內有基于深度學習的計算機輔助診斷系統對急性肋骨骨折診斷的研究將4位醫師分為實習醫師組及主治醫師組，2人/組，從敏感度、特異度、陽性預測值、閱片時間及診斷信心多個角度進行分析探討［14］，但該研究未對不同年資醫師應用AI前后對不同肋骨骨折類型評價的一致性及關聯性進行探討。本研究重點探討不同年資醫師應用AI前后對不同肋骨骨折一致性評價，進一步充分拓展了探討AI軟件診斷肋骨骨折的全面性，研究更為詳細、深入。也有研究從檢測召回率和分類準確率、敏感性角度評價深度學習模型輔助放射科醫師診斷肋骨骨折取得良好效果［15-16］。

本研究結果顯示，應用AI軟件后，住院醫師、主治醫師對全部新鮮肋骨骨折、完全性肋骨骨折、不完全性肋骨骨折的檢出率均明顯提高。住院醫師、主治醫師對不完全性肋骨骨折的檢出率均相對較低，應用AI后對不完全性肋骨骨折的檢出率顯著提高。住院醫師、主治醫師對完全性肋骨骨折的檢出率均明顯高于不完全性肋骨骨折的檢出率，與不完全性肋骨骨折、尤其是細微骨折影像特征不明顯有關。受各種因素影響，骨皮質局部略向內凹陷的細微骨折在厚層圖像上極易漏診，即使在0.625 mm的薄層圖像上也較容易被忽略。應用AI后，住院醫師、主治醫師對不完全性肋骨骨折的檢出率顯著提高，顯示AI在不完全性肋骨骨折檢出能力方面更具優勢。一致性分析結果顯示結合AI用于診斷后，住院醫師、主治醫師在全部肋骨骨折的Kappa值與Phi系數均有明顯提高，在不完全肋骨骨折的診斷上Kappa與Phi提高幅度最大，說明AI可以提高不同年資醫師診斷肋骨骨折、尤其是不完全性肋骨骨折的一致性；而AI對住院醫師、主治醫師在完全性肋骨骨折的診斷上的Kappa值與Phi系數變化不大，對一致性結果并無改善，這可能與完全性肋骨骨折影像表現較為明顯，相對容易診斷有關。有研究使用AI軟件評價其對肋骨骨折的一致性結果，顯示可提高不同閱片者之間的一致性［10］，但該研究均為住院醫師，不能更精準地進行不同年資醫師組別間的影像診斷經驗差異分析，且關聯性Kappa值只有各醫師及各醫師+AI的比較，沒有進一步對不同類型骨折的一致性做比較。因此，本研究全面研究全部新鮮肋骨骨折、完全性肋骨骨折、不完全性肋骨骨折應用AI前后的一致性比較，達到更客觀更深入的研究結果。

住院醫師與主治醫師應用AI后檢出新鮮肋骨骨折病灶敏感度優于單獨醫師組，住院醫師的肋骨檢測敏感度由81.58%提高至97.37%，主治醫師的肋骨檢出敏感度由80.26%提高至96.71%，表明不同年資醫師結合AI軟件均可以有效提高肋骨骨折病例檢出敏感度。兩組醫師單獨及應用AI后檢出肋骨骨折敏感度差異無統計學意義，表明結合AI對提升不同年資醫師檢出肋骨骨折能力方面差異不大，對于診斷經驗相對不足的基層影像醫師來說，AI是適合的輔助肋骨骨折檢測方法。也有研究顯示，放射科醫師應用AI算法后檢出肋骨骨折的敏感度由89.8%提升至93.5%［17］。

AI檢出肋骨骨折的假陽性病灶數量較多，主要原因是AI較難區分一部分正常變異結構，如走形變異的肋軟骨鈣化、呼吸運動偽影或手臂遮擋產生的硬化線束偽影或局部骨皮質略微增厚、血管溝等。AI對住院醫師、主治醫師在不完全肋骨骨折的檢出率提高上起到了重要的提示作用，一部分不典型肋骨骨折被AI用藍框標記骨折部位、類型后，醫師會重點關注這些可疑部位，并仔細觀察確認，有助于這些骨折病灶的檢出。目前，我國的醫學影像數據年增長率高達30%，而影像科醫師年增長率不足4%［18-19］，2017中國醫師協會放射醫師年會數據顯示，全國放射醫師約8.6萬人，其中住院醫師加主治醫師約5.8萬人［20］，高年資醫師總體缺乏，中低年資醫師占比高，基層醫療機構放射醫師更是嚴重不足且診斷經驗有限。放射科醫師中低年資醫師占比較高，AI的應用對于低中年資醫師提高肋骨骨折檢出率極具價值，并能有效提高肋骨骨折診斷水平，使外傷患者能在短時間內得到準確診斷、有效評估病情。

本研究為單中心胸部CT數據回顧性分析，存在一定的局限性，樣本量也有進一步擴容的需求，后續可聯合進行大樣本多中心合作，使檢測結果更為客觀全面。本研究為驗證檢驗結果的精準性，選擇6位不同資歷的中低年資醫師，克服了單一級別醫師診斷經驗的不足，契合基層放射醫師以中低年資醫師為主的工作布局。本研究以薄層橫斷圖像為主要觀察對象，醫師自行根據病灶情況決定是否結合三維重建、MPR、AI全肋及單肋立體多角度觀察等后處理技術。AI的肋骨旋轉及拉直可使醫師更詳盡的觀察細微骨折及可疑骨折。將來可評價薄層橫斷圖像結合醫師手動后處理容積再現與AI軟件自動容積再現功能比較的診斷效能評估，目前國內尚沒有結合AI的AR角度來進行肋骨骨折的相關分析。

綜上所述，本研究發現AI可有效提高不同級別醫師對新鮮肋骨骨折的檢出效能，并提高不同級別醫師之間的一致性，對輔助放射科低中年資醫師診斷肋骨骨折有良好的應用前景。

參考文獻：

［1］ " 劉 "基， 尹婷婷， 王 "康， 等. DR與CT三維重建在胸部外傷骨折中的診斷意義［J］. 中華肺部疾病雜志： 電子版， 2022， 15（1）： 105-7.

［2］ " Sharma OP， Oswanski MF， Jolly S， et al. Perils of rib fractures［J］. Am Surg， 2008， 74（4）： 310-4.

［3］ " 張光霞， 何 "英， 楊紹光， 等. 司法鑒定中肋骨骨折影像診斷符合率影響因素的研究［J］. 中國醫藥科學， 2022， 12（20）： 24-9.

［4］ " 趙潤潤， 蘇宜江， 于一龍， 等. 胸部外傷手術107例臨床分析［J］. 中國胸心血管外科臨床雜志， 2015， 22（7）： 707-8.

［5］ " Bemelman M， de Kruijf MW， van Baal M， et al. Rib fractures： to fix or not to fix？ an evidence-based algorithm［J］. Korean J Thorac Cardiovasc Surg， 2017， 50（4）： 229-34.

［6］ "Chapman BC， Overbey DM， Tesfalidet F， et al. Clinical utility of chest computed tomography in patients with rib fractures CT chest and rib fractures［J］. Arch Trauma Res， 2016， 5（4）： e37070.

［7］ "England JR， Cheng PM. Artificial intelligence for medical image analysis： a guide for authors and reviewers［J］. AJR Am J Roentgenol， 2019， 212（3）： 513-9.

［8］ " 孟祥虹， 吳迪嘉， 馬信龍， 等. 深度卷積神經網絡技術自動診斷肋骨骨折的CT應用初探［J］. 天津醫科大學學報， 2022， 28（2）： 205-10.

［9］ " Zhou QQ， Wang JS， Tang W， et al. Automatic detection and classification of rib fractures on thoracic CT using convolutional neural network： accuracy and feasibility［J］. Korean J Radiol， 2020， 21（7）： 869-79.

［10］ 劉 "想， 謝輝輝， 許玉峰， 等. 人工智能對提高放射科住院醫生診斷胸部肋骨骨折一致性的價值［J］. 北京大學學報： 醫學版， 2023， 55（4）： 670-5.

［11］ 楊 "力， 蒲 "紅， 朱 "纓. MSCT掃描及三維重建技術在降低隱匿性骨折漏診率中的臨床應用［J］. 中國CT和MRI雜志， 2017， 15（7）： 137-40.

［12］ "余開冠， 孫芳仁. MSCT與DR檢查外傷性肋骨骨折的臨床應用對比分析［J］. 醫學影像學雜志， 2022， 32（7）： 1260-3.

［13］Guermazi A， Tannoury C， Kompel AJ， et al. Improving radiographic fracture recognition performance and efficiency using artificial intelligence［J］. Radiology， 2022， 302（3）： 627-36.

［14］ 譚 "輝， 田占雨， 潘 "寧， 等. 基于深度學習的計算機輔助診斷系統在提高急性肋骨骨折診斷效能上的價值［J］. 臨床放射學雜志， 2020， 39（12）： 2493-7.

［15］ Meng XH， Wu DJ， Wang Z， et al. A fully automated rib fracture detection system on chest CT images and its impact on radiologist performance［J］. Skeletal Radiol， 2021， 50（9）： 1821-8.

［16］Zhou ZY， Fu ZH， Jia JC， et al. Rib fracture detection with dual-attention enhanced U-net［J］. Comput Math Methods Med， 2022， 2022： 8945423.

［17］Niiya A， Murakami K， Kobayashi R， et al. Development of an artificial intelligence-assisted computed tomography diagnosis technology for rib fracture and evaluation of its clinical usefulness［J］. Sci Rep， 2022， 12（1）： 8363.

［18］ 蕭 "毅， 劉士遠. 人工智能將改變影像醫學的未來［J］. 科技與金融， 2018（10）： 11-5.

［19］ 程 "齊， 歐陽雪暉. 人工智能在影像醫學中的實際應用［J］. 分子影像學雜志， 2023， 46（3）： 571-4.

［20］ "Cohen M， Puntonet J， Sanchez J， 等. 人工智能與放射科醫生：X線片上手腕骨折的診斷效能［J］. 國際醫學放射學雜志， 2023， 46（4）： 493.

（編輯：林 "萍）