利用人工智能与人工阅片进行肋骨骨折性质诊断的比较研究

陈豫 北京市大兴区中西医结合医院放射科 （北京 100076）

内容提要： 目的：研究AI在肋骨骨折检测中的表现、灵敏度及误诊与漏诊原因。方法：本研究回顾性分析本院100例经CT确诊的肋骨骨折患者。利用uAI Discover人工智能软件（uAI）对肋骨骨折进行自动识别。两名影像医师（医师A、医师B）分别进行诊断，再利用uAI软件重新诊断。采用两名高级影像科医师共同阅片结果作为诊断“金标准”。诊断错误类型包括：AI或医生将部位误诊为骨折，或骨折类型判断与金标准不符。若实际骨折部位和类型与金标准相符，认定诊断正确。结果：100例患者共检出肋骨骨折424根，涉及563个部位，包括错位性骨折131处、非错位性骨折218处及陈旧性骨折214处。医师A、医师B独立诊断时，误差分别为39处和31处。uAI在三种骨折类型准确度上均高于两名医师。医师A、医师B利用uAI辅助诊断后，诊断准确性高于仅用uAI。uAI存在49处骨折诊断偏差，包括漏诊14处、假阳性12处（主要为非错位性骨折），分类错误23处（主要为陈旧性骨折）。uAI漏诊率：错位性骨折4.27%、非错位性骨折3.67%、陈旧性骨折1.52%。结论：AI在肋骨骨折诊断中具有应用潜力。通过优化算法、加强机器学习、验证及医师合作，AI未来在临床实践中将发挥更大作用。

胸部外伤常常会引起肋骨骨折，这是世界范围内创伤患者中最常见的损伤之一。虽然肋骨骨折病死率相对较低且通常采用保守治疗，但多发肋骨骨折可能导致严重并发症，如肺挫伤、肺不张和血气胸等[1]。因此，早期的、快速而准确的肋骨骨折诊断尤为重要。随着医疗技术的不断发展，现代医学越来越依赖于各种影像学技术。在肋骨骨折的诊断中，目前常用的影像学检查包括X射线、CT和MRI等。尤其是CT成为胸部外伤患者的首选影像检查方法，因为它不仅能够快速准确地检测肋骨骨折，还能够显示肋骨骨皮质的完整性、骨折碎片的存在以及周围脏器的损伤状况等信息[2]。然而，肋骨骨折的影像诊断仍然存在一些困难。因为肋骨的数量和形态因个体而异，而骨折后的形态多变，这导致肋骨骨折的影像诊断并不简单。对于影像科医生来说，肋骨骨折的检出是一项耗时工作，隐匿性骨折容易漏诊，且不同阅片者之间一致性欠佳。因此，寻求一种有效的肋骨骨折自动检测和分类的技术具有重要意义。近年来，基于深度学习的人工智能（Artificial Intelligence，AI）技术得到快速发展，被广泛应用于医学领域。已有研究表明，AI技术在肋骨骨折的自动检测、分类中具有良好的准确性、敏感性和特异性，能够有效地提高影像科医生的诊断效率[3,4]。但是，关于不同类型肋骨骨折诊断准确性及误漏诊原因的研究仍然不足。本研究旨在分析不同类型肋骨骨折中AI的检出率、灵敏度及误漏诊原因，并分析影像科医师在使用AI进行肋骨骨折诊断时应注意的问题。

1.资料与方法

1.1 临床资料

本研究对本院2020 年1 月～2021 年1 月接受CT 检查并确诊为肋骨骨折的100例患者进行回顾性评估研究。其中，男性患者63例，女性患者37例；年龄20～80岁，平均（49.24±15.39）岁。

纳入标准：CT扫描显示肋骨骨折；CT扫描结果显示骨痂形成或者骨折愈合。排除标准：具有骨破坏或骨肿瘤病史、先天性胸腔发育异常或畸形、以及呼吸和放射伪影等可能对肋骨骨折的诊断产生影响的患者。

1.2 方法

1.2.1 CT扫描

扫描采用联影uCT-760 64排螺旋CT进行。患者采用仰卧位，头部向前，深吸气后屏气。扫描范围从肺尖至上腹部，扫描参数设置为管电压120kV，自适应动态管电流，这能够根据扫描区域的密度变化自动调节管电流，从而减少辐射剂量，保护患者的健康。设置准直宽度40mm，螺距1.1125，扫描层厚0.625mm。采用0.625mm薄层、层间距0.625mm的图像重建参数，矩阵为512×512，以提高图像质量。图像重建采用骨算法，能够使图像更加清晰，便于医生进行诊断和治疗。

1.2.2 肋骨骨折自动检测技术

本研究采用uAI Discover人工智能软件（uAI），对肋骨骨折进行自动识别。首先将符合要求的CT图像导入AI系统，软件会自动对图像进行图像后处理和分析，得到预测的肋骨骨折区域并进行标记。在软件处理结果展示页面中，横轴位图像带有肋骨定位标签和骨折标记，方便医生快速准确地识别骨折部位。此外，软件还支持多平面重建和容积重建的后处理，以多角度观察AI检测到的肋骨骨折情况。该软件可以自动识别肋骨骨折类型，包括错位性骨折、非错位性骨折和陈旧性骨折，并通过多平面重建及3D后处理技术辅助医生识别骨折并判断骨折性质。陈旧性骨折是指骨折部位出现骨痂形成或骨折畸形愈合。

1.2.3 肋骨骨折的诊断策略

本研究由两名经验丰富的影像科医师（医师A、医师B）和uAI软件分别进行诊断。两位医师通过胸部CT轴位图像及多种CT后处理技术进行诊断。uAI软件通过自动定位肋骨、识别骨折部位及骨折类型得出诊断结果。随后，两位医师使用uAI软件进行重新诊断。最终以两名具有20年以上影像诊断经验的高级影像科医师共同阅片的最终结果为诊断“金标准”。

1.2.4 对诊断结果的分析与确立

在分析和确定诊断结果时，首先需依据金标准对患者所患骨折部位进行判断。当实际骨折部位和类型与金标准所确定的位置及性质相一致时，可以认定该诊断结果为正确。在本研究中，诊断错误主要涉及两种情况：第一种情况是AI或医生将某个部位诊断为骨折，然而实际上金标准并未认定该部位存在骨折；第二种情况是医生或AI对骨折类型的判断与金标准所确定的类型不符。

1.3 统计学分析

采用SPSS 22.0统计分析软件对所收集的数据进行处理与分析，以计算人工智能方法和传统人工方法在肋骨骨折检测方面的诊断准确率。在分析过程中，采用配对t检验来对比影像科医师在独立进行诊断和使用人工智能辅助阅片的情况下的诊断时间差异。

2.结果

2.1 肋骨骨折判定金标准

在两位高级影像科医师的共同讨论与判定下，100例患者中共发现肋骨骨折424根，涉及骨折部位563处，包括错位性骨折131处、非错位性骨折218处以及陈旧性骨折214处。

2.2 uAI及影像科医师诊断骨折结果对照分析

在uAI准确检测出的骨折部位中，医师A在独立进行诊断时，共发生了39处诊断误差；医师B在诊断过程中，误差共计31处，见表1。

表1.uAI与影像医师诊断结果对比(n)

2.3 uAI 与影像科医师对不同类型肋骨骨折诊断准确性的比较

uAI在诊断3种类型骨折的准确度方面均明显高于医师A和医师B。医师A和医师B在使用uAI辅助诊断后，对三种类型骨折的诊断准确性高于仅依靠uAI进行诊断，见表2。

表2.uAI与两名影像医师对不同类型骨折的诊断准确性(%)

2.4 uAI诊断偏差及误诊漏诊情况分析

在将金标准诊断结果与uAI所得诊断结果进行对比时，共发现有49处骨折诊断存在偏差。具体而言，漏诊骨折共有14处，假阳性诊断共有12处，这两种情况主要出现在非错位性骨折的诊断中；诊断分类错误的骨折共有23处，这些错误主要涉及陈旧性骨折的诊断。对于错位性骨折、非错位性骨折以及陈旧性骨折，uAI的漏诊率分别为4.27%、3.67%和1.52%。通过对uAI的诊断偏差及误诊漏诊情况进行深入分析，可以更好地了解其在实际应用中可能存在的不足之处，从而进一步优化和改进相关诊断技术。

2.5 诊断平均用时

影像科医师A和B独立阅片的诊断用时分别为（315.3±64.8）s和（311.5±57.2）s。使用uAI阅片时，医师A和B的诊断用时分别为（220.2±48.6）s和（215.7±42.9）s。运用uAI阅片的诊断平均用时显著低于两位医师单独阅片的用时（医师A：t=8.293，P=0.014；医师B：t=8.733，P=0.011）。

3.讨论

在现代社会中，由于生活节奏的加速和交通方式的多样性，不得不应对越来越多的胸部损伤挑战。在诸多胸部损伤类型中，肋骨骨折尤为常见，这类骨折通常意味着较为严重的伤情，可能会引发多发性损伤及预后恶化的风险。因此，对于肋骨骨折的诊断，提高准确性和时效性显得尤为重要。在当下的医学研究领域，关注如何进一步提高肋骨骨折诊断的准确率和时效性已成为一项重要课题。有效地诊断并及时处理肋骨骨折，不仅可以减轻患者的痛苦，更有助于降低其并发症发生的风险，从而为患者提供更加优质的治疗服务。针对这一问题，医学专家们正在不断研究和探索更为先进的诊断技术和方法，以期在今后的医疗实践中取得更好的效果。

近年来，医学影像领域AI已广泛应用于诸如肺结节等疾病的检测，为医生提供了更多有价值的信息[5]。AI软件在肋骨骨折部位和类别识别方面表现出较高的速度和准确性[6,7]。尤其是在非错位性和陈旧性骨折的检出方面，AI的表现优于医生，进一步证明了其在诊断困难和易漏诊骨折方面的重要性。

尽管AI在三种骨折类型的诊断准确性上均优于影像科医师的单独诊断，但在陈旧性骨折方面的诊断准确度和灵敏度略低于其他两种骨折。因此，在这方面需要加强机器学习和验证。此外，AI还存在一定的误诊和漏诊问题，如假阳性和骨折性质判断错误，这些问题需要在未来的技术优化和验证中加以解决。

值得注意的是，当医师在使用AI辅助诊断时，他们在三种类型骨折的诊断准确度上优于AI单独诊断。这可能是因为医师能够纠正AI在部分骨折类型判断中的错误，从而减少误诊的发生。此外，AI还能显著缩短医师的诊断时间，提高诊断效率，具有较高的临床应用价值。AI技术在肋骨骨折诊断方面表现出较高的准确性和灵敏度，可以快速、直观地识别骨折部位和类型。AI与医师的联合诊断可以在缩短诊断时间的同时，提高医生的诊断效率，进而在临床实践中发挥更大的价值。

虽然AI技术在诊断肋骨骨折方面取得了显著的成果，但仍有一些问题需要关注。例如，对于非错位性骨折和陈旧性骨折的识别，AI可能需要进行更多的机器学习和验证以提高准确性。此外，在处理一些特殊情况时，如肋软骨的不完全钙化、呼吸运动伪影、滋养孔影和引流管影等，AI可能出现假阳性的情况。因此，在使用AI辅助诊断时，医师需要关注这些可能出现的问题，以便作出更准确的判断。

未来，通过对AI技术进行持续优化和验证，有望进一步提高肋骨骨折诊断的准确性和效率。例如，可以对AI算法进行更深入的训练，以提高对轻微骨痂形成和轻微错位性骨折的识别能力。此外，还可以加强AI与医师之间的协同诊断，以发挥各自的优势，提高整体诊断水平。

综上所述，AI技术在肋骨骨折诊断中具有广泛的应用前景。通过进一步优化算法、加强机器学习和验证，以及与医师的紧密协同，AI有望在未来的临床实践中发挥更大的作用，为患者提供更准确、更高效的诊断服务。