基于深度学习人工智能辅助CT检测肋骨骨折的价值

董浩 经齐峰 邱勇刚 汪鑫斌 楼存诚

临床上，胸部外伤中最常见的损伤就是肋骨骨折[1]，可分为完全性骨折和不完全性骨折[2]。薄层CT的广泛应用虽明显提高了肋骨骨折的检出率，但漏诊现象仍不少见[3]，尤其是一些较为隐匿的不完全性骨折，漏诊率比较高，既会影响患者预后，也会引起一些不必要的医疗纠纷[4]。因此，提高肋骨骨折的诊断准确率是十分必要的。随着大数据的广泛应用，人工智能（artificial intelligence，AI）技术愈加成熟，其能够从影像中提取肉眼容易忽视的信息，进而提高影像的诊断价值[5]。基于深度学习的AI肋骨骨折辅助检测系统已在临床开展应用，但对其准确性的研究报道较少。本研究旨在评估AI辅助CT检测肋骨骨折的价值。

1 资料与方法

1.1 临床资料 选取2020年3月至2020年9月在杭州市萧山区第一人民医院行肋骨CT检查的患者156例。（1）纳入标准：有明确外伤病史；有双侧肋骨CT图像，且为外伤后3周内所得；双侧肋骨至少有1处骨折。（2）排除标准：图像伪影太重而影响诊断；存在骨质破坏或骨肿瘤；存在先天性肋骨发育不良或畸形。

1.2 检查方法 应用飞利浦Brilliance 64层螺旋CT机进行容积扫描。患者取仰卧位，屏气，扫描范围从胸廓入口至第12肋。扫描参数：120 KV，230 mA，层厚0.625 mm，螺距1.015。将图像的原始数据进行重建，重建算法为骨算法，层厚1 mm，间隔1 mm，窗宽1,500 HU，窗位500 HU。

1.3 图像分析 （1）A组：由低年资医师（3～5年）对156例患者的肋骨CT图像进行单独阅片。（2）B组：将156例患者的肋骨CT图像传送至AI（北京推想科技有限公司InferRead CT Bone，版本：V9.5），得出自动分析结果。（3）C组：由低年资医师结合AI进行综合阅片。记录每组的阅片时间及骨折检出数，并对检出的骨折类型进行分类，最后由两位从事影像诊断15年以上的副主任医师同时对156例患者的肋骨CT图像进行阅片分析，意见不一致时经讨论后达成统一诊断结果，并以此作为金标准。分别计算A、B、C三组的误诊率、漏诊率、敏感度，敏感度=诊断正确数/骨折总数×100%，漏诊率=漏诊数/骨折总数×100%，误诊率=误诊数/检出数×100%。

1.4 统计学方. 采用SPSS 23.0统计软件。计数资料以[n（%）] 表示，采用卡方检验或Fisher确切概率法；计量资料符合正态分布以（±s）表示，采用t检验。以P＜0.05为差异有统计学意义。

2 结果

两位影像诊断副主任医师对156例患者的肋骨CT图像进行分析，确认584处骨折，其中完全性骨折246处，不完全性骨折338处。A组检出536处，漏诊56处，误诊8处；B组检出576处，漏诊26处，误诊18处；C组检出577处，漏诊12处，误诊5处。

2.1 三组对不同类型骨折诊断准确数比较 完全骨折诊断准确数，C组＞B组＞A组，但组间两两比较差异均无统计学意义（P＞0.05）；不全骨折诊断准确数，C组＞B组＞A组，A组与B组、C组比较差异均有统计学意义（P＜0.001）。见表1。

表1 三组对不同类型骨折诊断准确数比较（n）

2.2 三组的诊断时间、敏感度、误诊率、漏诊率比较 诊断时间，A组＞C组＞B组，组间两两比较差异均有统计学意义（P＜0.001）。敏感度，C组＞B组＞A组；漏诊率，A组＞B组＞C组；误诊率，B组＞A组＞C组。敏感度、漏诊率组间两两比较，差异均有统计学意义（P＜0.05）。B组、C组的误诊率比较，差异有统计学意义（P＜0.05）。见表2。

表2 三组肋骨骨折检测情况比较

3 讨论

肋骨骨折是胸部外伤最常见的骨折，若不能及时发现则会增加继发相邻脏器损伤的可能性[6]，而且多发肋骨骨折常合并肺挫伤及血气胸，甚至会导致胸壁稳定性减弱、脏器损伤引起呼吸、循环功能障碍，致死率高[7]，所以早期准确诊断肋骨骨折并采取有效的干预措施意义重大。虽然常规CT检查对肋骨骨折的检出率明显优于传统X线检查，但从数百张薄层CT图像中检出肋骨骨折会明显提升影像科医师的工作强度，而且临床工作中漏诊、误诊也时常发生[8]。人工智能的出现有利于解决以上这些问题，其核心是机器学习，深度学习是机器学习的一个分支。深度学习的实质是通过构建含大量隐藏层的机器学习模型和海量训练集来学习更有用的特征，从而提升分类或诊断的准确性[9]。基于深度学习的AI已在众多医学领域展开研究，在肺结节的检出及良恶性鉴别方面已经取得了一些研究成果。

本研究显示，三组对完全骨折的诊断准确率比较差异均无统计学意义（P＞0.05），因为完全骨折的征象相对明显，不容易漏诊及误诊。三组对于不全骨折的诊断正确率，A组与B组、C两组比较差异均有统计学意义（P＜0.001），说明AI对不全骨折的诊断效能高于医师单独阅片，容易漏诊的不全骨折大都是隐匿性骨折（图1a），隐匿性骨折常规X线检查一般无法检出，在薄层CT上的骨折征象也十分细微。李三保等[10]研究显示，线样增亮征、皮质凹陷征、皮质翘起征与细小裂纹征可提示隐匿性肋骨骨折。此外，多层螺旋CT结合多维重建技术对隐匿性肋骨骨折的诊断有一定的价值[11]。医师组的诊断敏感度低于其他两组，而漏诊率较高，可能是因为影像科医师在大量重复阅片过程中不可避免产生了视觉疲劳，导致肋骨骨折的检出率下降。人工智能的误诊率高于其他两组，因为人工智能有时会将肋骨正常解剖误判为骨折，比如将肋软骨误认为骨质不连续（图1b），将肋头与锥体关节面连接处误认为骨质断裂（图1c），将肋角误认为骨质皱褶（图1d），这也说明人工智能的算法还有待完善。C组对检出肋骨骨折的敏感度较高，且漏诊率和误诊率均较低，不仅提高了骨折检出的诊断正确率，降低了漏诊风险，还弥补了人工智能假阳性率较高的缺点。除此之外，人工智能在阅片速度方面较影像医师具有很大优势，完成1例双侧肋骨CT的阅片平均需要28 s，而医师阅片需要时间约5 min，可见医师结合人工智能明显提高了影像科医师的工作效率和诊断准确性，值得广泛推广。

图1 a.放射医师漏诊的隐匿性骨折，AI诊断正确；b.AI将肋软骨误判为肋骨骨折；c.AI将肋头与锥体关节面连接处误判为骨折；d.AI将肋角误判为骨折

综上所述，影像医师结合AI可显著提高对CT肋骨骨折检出的诊断效能，尤其不全性肋骨骨折，值得临床推广应用。不过，目前AI仍存在一定的误诊率，需进一步改善算法以提高特异度。由于该研究样本量不够大，而且收集的病例均来自同一家医院，未来将联合多家医院进行多中心大样本研究。