住培医师应用人工智能提升胸部CT 肋骨骨折检出率的价值

张添辉，黄志峰，钟 正，龙 曦，范伟雄（通信作者）

（梅州市人民医院放射科 广东 梅州 514031）

肋骨骨折是胸部创伤后常见的并发症，早期、快速准确检出对其诊疗决策极其重要。目前，胸部CT 是检出肋骨骨折及评估胸部创伤最有效的影像检查方法[1]。住培医师作为放射科的重要培训对象及后备人才，胸部CT 阅片是其必须掌握的核心技能之一。然而，由于放射科胸部CT 阅片工作量巨大，且肋骨骨折多为急诊外伤患者，而住培医师阅片经验积累有限，导致在阅片实践工作中难免发生误诊或漏诊情况。随着人工智能（AI）技术的快速发展，基于AI 的医学影像辅助诊断技术在不同疾病的诊断中得到广泛应用[2]。多项研究表明，AI 辅助诊断技术在协助影像医师提升阅片速度，缩短诊断时间，提高诊断准确率等方面表现出巨大的潜力[3-4]。住院医师规范化培训是医学生向医生角色转换的重要过渡阶段，在该阶段熟练掌握AI 辅助诊断技术，有助于培养新时期的高素质放射诊断医师。因此，本研究将探讨住培医师应用人工智能提升胸部CT 肋骨骨折检出率的价值。

1 资料与方法

1.1 一般资料

回顾性选取2021年1月—11月在梅州市人民医院行胸部CT 检查的肋骨骨折患者57 例，其中男38 例，女19例，年龄为17～96岁，平均年龄（54.11±14.67）岁。纳入标准：①患者近期有外伤史，且胸部CT 发现至少一处肋骨骨折；②患者行胸部CT 检查，且有薄层CT 图像，图像数据满足人工智能软件的处理要求。排除标准：①CT 图像存在显著呼吸运动、金属等伪影，不利于图像准确分析者；②骨折肋骨条数≥6 条者。

1.2 方法

所有患者均采用SOMATOM Dedinition As 进行CT扫描，检查时取仰卧位，上举双臂，扫描范围自胸廓入口至第12 肋骨下缘，于吸气后屏气状态下进行扫描。扫描参数如下：管电压为120 kV，管电流设置为自动毫安秒，准直宽度128×0.6 mm，重建矩阵512×512，重建层厚1 mm。

由两名放射科主治医师通过综合分析患者的临床资料、CT 原始图像及后处理图像确定每个患者肋骨骨折情况（其中陈旧性骨折不纳入分析），当两者意见不一致时经协商达成一致。最后，由一名主任医师对上述两名主治医师确定的肋骨骨折结果再次阅片审核作为参照标准。

1.3 阅片方式

招募两名放射科住培医师作为阅片者，阅片者对患者的临床资料及诊断完全不知情，首先采用单独阅片进行图像分析，间隔两周洗脱期后应用人工智能阅片。①单独阅片：住培医师在无AI 系统辅助下独立盲法阅片，以常规横轴位CT 图像为基础，并结合CT 薄层扫描数据进行多平面重建（multiple planar reconstruction，MPR）、曲面重建（curved planar reconstruction，CPR）及容积再现（volume rendering，VR）等后处理技术综合分析，记录骨折位置、数量及诊断时间。诊断时间定义为：从打开图像开始计时，当阅片完成做出最终诊断关闭图像结束计时。②应用人工智能阅片：在AI 软件辅助下进行阅片及诊断，并记录骨折位置、数量及诊断时间。AI 软件采用骨折CT 人工智能影像辅助检测软件（上海联影智能医疗科技有限公司，版本号V1.0），该软件直接与本地PACS系统服务器相连，能够自动检测肋骨骨折，并在CT图像智能标注每处骨折，同时生成包含骨折位置、类型及数量等信息的智能诊断报告（见图1）。

图1 胸部骨折CT 人工智能影像辅助检测软件

1.4 观察指标

①以肋骨骨折参照标准为对照，计算肋骨骨折检出率：检出率=阅片者正确诊断肋骨骨折条数/参照标准总条数×100%，比较住培医师单独阅片和应用人工智能阅片对肋骨骨折检出率的差异性；②比较住培医师单独阅片和应用人工智能阅片的诊断时间的差异性。

1.5 统计学方法

采用SPSS 20.0 统计软件进行数据分析。符合正态分布的计量资料以均数±标准差（）表示，采用t检验；计数资料以频数（n）、百分率（%）表示，采用χ2检验。以P＜0.05 为差异有统计学意义。

2 结果

2.1 一般资料

57 例患者胸部CT 共确定125 条肋骨骨折，每例患者肋骨骨折数目为1 ～5 条，平均（2.19±1.16）条。

2.2 住培医师单独阅片和应用AI 阅片对肋骨骨折的检出率比较

住培医师A 采用单独阅片正确诊断100 条肋骨骨折，检出率为80.00%（100/125），而应用AI 阅片后正确诊断115 条肋骨骨折，检出率为92.00%（115/125）。住培医师A 采用单独阅片和应用AI 阅片对肋骨骨折检出率的差异具有统计学意义（P＜0.05），见表1。

表1 住培医师单独阅片和应用AI 阅片对肋骨骨折的检出率比较

住培医师B采用单独阅片正确诊断104条肋骨骨折，检出率为83.20%（104/125），而应用AI 阅片后正确诊断118 条肋骨骨折，检出率为94.40%（118/125）。住培医师B 采用单独阅片和应用AI 阅片对肋骨骨折检出率的差异具有统计学意义（P＜0.05），见表1。

2.3 住培医师单独阅片和应用AI 阅片对胸部CT 肋骨骨折的诊断时间

住培医师A 和住培医师B 应用AI 阅片的诊断时间均短于采用单独阅片，差异有统计学意义（P＜0.05），见表1。

3 讨论

肋骨骨折是临床常见胸部创伤并发症之一，胸部CT被广泛作为胸部创伤的首选影像学检查方法[5]。精准诊断肋骨骨折不仅对临床诊疗决策至关重要，而且对外伤后责任鉴定亦具有重要意义。然而，肋骨数量众多且形态独特，每条肋骨从后上往外下走形，同一层CT 横断面难以完整观察同一条肋骨的整体情况，导致每条肋骨需连续滚动多个CT 层面反复观察，耗时费力，且容易漏诊轻微的不完全性骨折[6]。近年随着住培制度的实施，住培医师在放射科临床工作中承担着重要的阅片任务。然而，由于部分肋骨骨折表现隐匿，且胸部薄层CT 阅片量巨大，而住培医师诊断经验相对缺乏，导致肋骨骨折存着较大的误诊或漏诊风险。目前，随着AI 技术的快速发展及普及，越来越多的AI 技术逐步应用于临床肋骨骨折的检出工作中[7-8]，但对AI 技术在住培医师检出肋骨骨折中的价值尚不清楚。因此，本文将探讨住培医师应用人工智能提升胸部CT 肋骨骨折检出的价值。

Wang 等[9]研究结果显示，基于深度学习的AI 在内部数据集检出肋骨骨折的AUC 为0.970（95%CI：0.968～0.972），在外部数据集的AUC 为0.943（95%CI：0.941 ～0.945）。Li 等[10]纳入8 家医院共18 172 名患者胸部CT 图像的多中心研究结果显示，基于深度学习的AI 在多中心内部测试集中的检出肋骨骨折病变的敏感度为93.3%，在外部测试集中检出敏感度为95%，并显著优于放射科医师的78.9%（P＜0.001），提示AI 对胸部CT 肋骨骨折的检出具有良好的诊断效能。本文结果发现，住培医师应用AI 阅片后对肋骨骨折的检出率分别为92.00%与94.40%，均高于单独阅片的80.00%与83.20%。分析原因为：当住培医师应用AI 进行阅片时，AI 通过深度学习算法，能够快速、精准地识别肋骨骨折，尤其是对于仅有骨皮质扭曲等隐匿性表现的肋骨骨折，AI 亦具有高度的诊断敏感性，能够帮助住培医师减少漏诊，提高肋骨骨折的检出率[11-12]。

本文结果还发现，住培医师A 和住培医师B 在应用AI 阅片后检出肋骨骨折的诊断时间均短于单独阅片（P＜0.05），该结果与文献报道相似[13-15]。李星宇等[15]研究结果显示，甲、乙两位影像科医师应用AI 阅片的诊断时间显著短于单独阅片的诊断时间（P＜0.001）。董浩等[14]研究结果亦显示，由低年资医师结合AI 进行综合阅片的诊断时间，显著短于单独阅片的诊断时间（P＜0.001）。分析原因为：AI 系统能够在短时间内对大量的CT 薄层图像进行智能分析，不仅能够识别出肋骨骨折的位置、数量及类型，还能在横断位、冠状位、矢状位及三维VR图像中进行标注，并生成智能化影像报告，通过多角度、多层次展现的方式帮助住培医师识别肋骨骨折，从而提高胸部CT 的阅片效率，缩短诊断时间。

本研究存在一些不足。首先，本研究为回顾性的单中心研究，样本量相对偏少，未探讨AI 辅助住培医师检出不同类型肋骨骨折的效能，有待进一步扩大样本进行研究。第二，在实际临床工作中，接诊肋骨骨折多发生于夜班急诊阶段，此时值班住培医师往往处于疲劳状态，本文未探究AI 辅助疲劳状态下住培医师检出肋骨骨折的价值，有待于今后研究中进一步深入探讨。

综上所述，住培医师应用人工智能有助于提升胸部CT 肋骨骨折检出率，同时能够显著缩短诊断时间，值得在放射科住培医师的阅片实践工作中推广。