疲劳性骨折是应力性骨折的一种类型，是过度使用导致的骨损伤，在高强度训练的军人和运动员群体中发病率极高。在病理生理学上，疲劳性骨折是在重复和超负荷的压力下由于破骨细胞的吸收和成骨细胞的骨合成之间的平衡被破坏而导致的累积性骨微损伤的过程。疲劳性骨折通常发生在下肢的承重骨上，如胫骨和跖骨。在临床上，虽然及时休息和保守治疗是轻度疲劳性骨折的基本处理方法，但漏诊往往会造成严重后果，延误治疗可发展为完全性骨折，功能恢复不佳。

放射学检查是诊断疲劳性骨折的首要技术。虽然放射性核素骨扫描和磁共振成像检测十分敏感，但平片由于其检查迅速、费用低廉，仍是首选的影像学检查。在临床上，疲劳性骨折通常起病隐蔽，进展缓慢，且较为罕见。因此，疲劳性骨折的诊断十分困难，且易被误诊。

人工智能(AI)通过自动学习原始数据而不是主观的视觉评估，实现了更快、更准确的图像解读，已被越来越多地应用于基于X线的骨折检测和分类，并在辅助放射诊断方面表现出优越性能。以前的研究表明，深度学习模型在检测肩胛骨骨折时可以达到放射科医生水平的表现(AUC，0.87 vs 0.83)，在诊断腕部骨折时，借助算法比未借助时提高了诊断灵敏度。而目前的人工智能研究都集中在紧急临床情况下的创伤性骨折，到目前为止还没有专注于疲劳性骨折的深度学习研究。

近日，发表在European Radiology杂志的一项研究利用深度学习的能力构建了一个可实现检测和分级下肢X线片上疲劳性骨折的人工智能模型，为临床医生诊断细微的疲劳性骨折提供了重要的信息和准确的评估，进一步改善病人的治疗及预后。

本项回顾性研究招募了来自两个临床中心的1151张疲劳性骨折的X线图像(胫腓骨/足：682/469)和2842张没有异常表现的X线图像(胫腓骨/足：2000/842)。对病变进行标记后，一个中心的图像(胫腓骨/足：2539/1180)按7:1:2分配用于模型构建，另一个中心的剩余图像(胫腓骨/足：143/131)用于外部验证。采用ResNet-50和三重分支网络来构建检测和分级的诊断模型。检测模型的性能是通过敏感性、特异性和接受者操作特征曲线下的面积(AUC)来评估的，而分级模型是通过混淆矩阵来评估准确性。由放射科医生进行视觉评估，并与模型进行比较。

胫腓骨的检测模型在内部测试/外部验证组中达到了95.4%/85.5%的敏感性、80.1%/77.0%的特异性以及0.965/0.877的AUC。足的检测模型达到了96.4%/90.8%的敏感性、76.0%/66.7%的特异性，AUC为0.947/0.911。检测模型显示出优于初级放射医师的诊断性能，与中级或高级放射医师相当。在内部检测/外部验证集中，诊断模型的总体准确率胫腓骨为78.5%/62.9%、足部为74.7%/61.1%。

本研究通过开发基于深度学习技术的复合诊断模型证实了深度学习模型在胫腓骨和足部X线片中检测和分级疲劳性骨折的可行性。本研究提出的深度学习模型能够胜任辅助放射诊断的工作，并为下肢疲劳性骨折提供了多级病变的严重程度分级。