European Radiology：基于深度学习算法的胸部CT肋骨骨折自动检测评估
肋骨骨折是钝性或穿透性胸部创伤患者中最常见的胸腔损伤，通常与血胸和气胸等并发症有关，需要立即治疗。肋骨骨折的数量，尤其是不稳定肋骨骨折代表了创伤严重程度的一个重要指标，并有报道称其与胸部创伤后的死亡率相关。造影剂增强或平扫CT是检测由主要钝器创伤引起的胸部损伤的常规成像方式，在检测肋骨骨折方面比射线摄影更敏感。然而，要在数百张薄层CT图像上识别所有的肋骨骨折仍然是一项繁琐而具有挑战性的任务。
肋骨骨折是钝性或穿透性胸部创伤患者中最常见的胸腔损伤，通常与血胸和气胸等并发症有关，需要立即治疗。肋骨骨折的数量，尤其是不稳定肋骨骨折代表了创伤严重程度的一个重要指标，并有报道称其与胸部创伤后的死亡率相关。造影剂增强或平扫CT是检测由主要钝器创伤引起的胸部损伤的常规成像方式，在检测肋骨骨折方面比射线摄影更敏感。然而，要在数百张薄层CT图像上识别所有的肋骨骨折仍然是一项繁琐而具有挑战性的任务。
为了解决这个问题，临床上最近发表了一些利用深度学习(DL)技术对肋骨骨折进行计算机辅助诊断的工作，检测灵敏度在65.7-92.9%之间，平均每次扫描有0.16-5.62个假阳性。这些模型大多是在单中心数据集上评估的，因此结果的偏差较大。
近日，发表在European Radiology杂志的一项研究开发了一项可以从胸部CT扫描中自动检测肋骨骨折的DL模型，并在一个大规模的多中心数据集上进行验证，通过对不同的骨折亚组、肋骨和病人的综合分析，将该模型的性能与放射科主治医师的诊断性能进行了比较。
本项回顾性研究招募了12208名急诊室(ER)收入的创伤患者内部数据集和1613名接受胸部CT扫描的ER创伤患者的外部数据集。开发了两个基于扩展U-Net架构的级联深度神经网络，分别用于分割肋骨和检测肋骨骨折。在内部和外部数据集上用95%的置信区间(CI)评估了模型的性能，并使用t检验与主治医师的评估进行了比较。
在内部数据集上，检测每个肋骨水平骨折的模型的AUC为0.970(95% CI：0.968，0.972)，敏感性为93.3%(95% CI：92.0%，94.4%)，特异性为98.4%(95% CI：98.3%，98.5%)。在外部数据集上，该模型获得的AUC为0.943(95% CI：0.941，0.945)，敏感性为86.2%(95% CI：85.0%，87.3%)，特异性为98.8%(95% CI：98.7%，98.9%)，而放射主治医师的敏感性为70.5%(95% CI：69.3%，71.8%)(P < .0001)，特异性为98.8%(95% CI：98.7%，98.9%)(P = 0.175)。
本项研究所提出的DL模型是一项识别胸部CT扫描中肋骨骨折的可行方法，可以达到与主治医师相当的诊断水平。因此，在深度学习模型的辅助下，可放射科医生的阅读效率和诊断准确性，并显著减轻工作负担。
相关文章
评论
我要跟帖
.jpg)
